一项新研究使用移动健康数据，比较了六种深度学习架构、两种基础模型（FM）和统计基线在多周期行为预测方面的表现。研究发现，没有一种架构能够持续优于其他架构，其中PatchTST在训练模型中表现最佳，而FM TimesFM在零样本（zero-shot）性能方面表现强劲，尤其是在数据量较少的情况下。参与者级别的微调显著提高了预测准确性，将RMSE降低了16-60%，其中睡眠数据受益最大。 AI
影响 为移动健康预测选择AI架构和个性化策略提供了实用指导。
排序理由 该集群包含一篇学术论文，详细介绍了用于特定应用的深度学习架构的比较研究。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.14604v1 Announce Type: cross Abstract: Wearable devices and smartphones generate rich behavioural time series that can support proactive health interventions, yet systematic comparisons of modern forecasting architectures for these data are lacking. In particular, it r…
Wearable devices and smartphones generate rich behavioural time series that can support proactive health interventions, yet systematic comparisons of modern forecasting architectures for these data are lacking. In particular, it remains unclear how models generalise across popula…