OliverDOU776/Few-step-probabilistic-glucose-forecasting-from-continuous-glucose-monitoring-and-meal-images

何を解決するか

GlucoFlow は、ターゲットデータセットが小さいが、より大きなソースデータセットが利用可能な場合の確率的時系列予測の課題に対処します。特に、ユーザーが単一の点推定ではなく信頼できる不確実性範囲（予測分布）を必要とするグルコース予測に焦点を当てており、実用的な展開に耐える十分な高速性が求められます。

動作方法

このプロジェクトは、条件付きリクティファイドフローモデルを使用し、従来の拡散モデルに見られる遅いサンプリングチェーンを回避して、わずか1〜4ステップのオイラー法で完全な予測分布を生成します。転移学習アプローチを採用：時系列の動的特性は大規模なソースデータセットで事前学習され、その後、小規模なターゲットデータセットに適応（ファインチューニング）されます。モデルは、メニューアイテムの画像や栄養データなどの補助情報に条件付けする機能をオプションで提供し、柔軟な埋め込みシステムを用いて実現しています。

対象ユーザー

生理時系列予測に取り組む研究者や開発者、特にターゲットドメインのデータが限られているが、医療や健康関連の研究において校正された不確実性推定が必要なユーザー向けに設計されています。

特徴

• 高速な確率的推論：リクティファイドフローを使用して、1†4ステップで将来の軌道を生成。
• 転移学習ワークフロー：大規模なソースデータセットを活用して小規模なターゲット集団に適用するための「事前学習→適応」のプロセスを提供。
• マルチモーダル条件付け：カスタマイズ可能な埋め込みインターフェースを介して、画像やメタデータなどのオプション入力をサポート。
• 不確実性の定量化：完全な予測分布を生成し、中央値、信頼区間、イベント確率の計算が可能。