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

解決的問題

GlucoFlow 解決了目標資料集較小但存在較大來源資料集時的機率性時間序列預測挑戰。具體而言，它針對的是使用者需要可靠的不確定性範圍（預測分佈）而非單一的點估計的血糖預測情境，且推論速度必須足夠快以實現實際部署。

工作原理

本專案使用條件化修正流模型，僅需 1 到 4 步歐拉法即可生成完整的預測分佈，避免了擴散模型典型的緩慢採樣鏈。它採用遷移學習方法：時間動態在大型來源資料集上進行預訓練，然後在較小的目標資料集上進行適應（微調）。該模型可選擇性地根據輔助資訊（如餐食影像與營養資料）進行預測，透過靈活的嵌入系統實現。

適用對象

專為從事生理時間序列預測的研究人員與開發者設計，特別是那些面臨目標領域資料有限，且需要校準不確定性估計以用於醫療或健康相關研究的使用者。

主要亮點

• 快速機率推論：使用修正流在 1†4 步內生成未來軌跡。
• 遷移學習路徑：提供預訓練-適應工作流程，利用大型來源資料集為小規模目標群體賦能。
• 多模態條件輸入：透過可自訂的嵌入介面支援影像或元資料等可選輸入。
• 不確定性量化：生成完整的預測分佈，支援中位數、信賴區間與事件機率的計算。