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

해결하는 문제

GlucoFlow는 타겟 데이터셋이 작지만 더 큰 소스 데이터셋이 존재하는 상황에서 확률적 시계열 예측의 과제를 해결합니다. 특히 사용자가 단일 점 추정이 아닌 신뢰할 수 있는 불확실성 범위(예측 분포)를 필요로 하는 혈당 예측에 초점을 맞추며, 실용적인 배포에 적합한 빠른 추론이 요구됩니다.

작동 방식

이 프로젝트는 조건부 리크티파이드 플로우 모델을 사용하여 전형적인 확산 모델의 느린 샘플링 체인을 피하고, 단 1~4단계의 오일러 스텝만으로 완전한 예측 분포를 생성합니다. 전이 학습 접근법을 채택: 시간적 동역학은 대규모 소스 데이터셋에서 사전 학습된 후, 소규모 타겟 데이터셋에 적응(파인튜닝)됩니다. 모델은 식사 이미지나 영양 정보와 같은 보조 정보에 조건을 부여할 수 있으며, 유연한 임베딩 시스템을 통해 이를 구현합니다.

대상 사용자

제한된 타겟 도메인 데이터를 다루며 의료 또는 건강 관련 연구에서 보정된 불확실성 추정이 필요한 생리학적 시계열 예측에 종사하는 연구자 및 개발자에게 적합합니다.

주요 특징

• 빠른 확률적 추론: 리크티파이드 플로우를 사용해 1†4단계로 미래 경로를 생성.
• 전이 학습 워크플로우: 대규모 소스 데이터셋을 활용해 소규모 타겟 코호트에 적용할 수 있는 사전 학습-적응 워크플로우 제공.
• 다중 모달 조건부 입력: 사용자 정의 임베딩 인터페이스를 통해 이미지나 메타데이터와 같은 선택적 입력 지원.
• 불확실성 정량화: 완전한 예측 분포를 생성하여 중앙값, 신뢰구간, 사건 확률 계산 가능.