적응적 지원 사용자를 활용한 개인 맞춤형 디지털 건강 모델링

Personalized Digital Health Modeling with Adaptive Support Users

개인 맞춤형 모델은 개인 간의 상당한 생리적 및 행동적 이질성을 고려해야 하므로 디지털 헬스 분야에서 필수적입니다. 그러나 개인 맞춤화는 종종 제한적인 사용자별 데이터의 부족과 노이즈로 인해 어려움을 겪습니다. 기존 방법은 주로 전체 모집단에 대한 사전 학습 또는 유사한 사용자의 데이터에 의존하며, 이는 편향된 전이 학습과 취약한 일반화로 이어질 수 있습니다. 본 연구에서는 유사한 사용자뿐만 아니라 상이한 사용자를 모두 포함하여 가중치를 적응적으로 조정하는 방식으로 개인 모델을 학습하는 통합 개인 맞춤형 프레임워크를 제안합니다. 이 프레임워크는 개인별 손실, 유사한 사용자의 유사성 가중치 전이, 그리고 오해의 소지가 있는 상관관계를 억제하기 위한 대비 정규화를 통합하여 작동합니다. 반복적인 최적화 알고리즘을 통해 모델 파라미터와 사용자 유사성 가중치를 동시에 업데이트합니다. 네 개의 실제 디지털 헬스 데이터 세트에 걸쳐 여섯 가지 작업에 대한 실험 결과, 제안하는 방법은 전체 모집단 및 개인 맞춤형 기준 모델보다 일관되게 성능이 향상되었습니다. 대규모 데이터 세트에서 최대 10%의 RMSE 감소를 달성했으며, 데이터가 부족한 환경에서는 약 25%의 RMSE 감소를 보였습니다. 학습된 적응적 가중치는 데이터 효율성을 향상시키고, 표적 데이터 선택을 위한 해석 가능한 지침을 제공합니다.

Personalized models are essential in digital health because individuals exhibit substantial physiological and behavioral heterogeneity. Yet personalization is limited by scarce and noisy user-specific data. Most existing methods rely on population pretraining or data from similar users only, which can lead to biased transfer and weak generalization. We propose a unified personalization framework that trains a personal model using adaptively weighted support users, including both similar and dissimilar individuals. The objective integrates personal loss, similarity-weighted transfer from similar users, and contrastive regularization from dissimilar users to suppress misleading correlations. An iterative optimization algorithm jointly updates model parameters and user similarity weights. Experiments on six tasks across four real-world digital health datasets show consistent improvements over population and personalized baselines. The method achieves up to 10% lower RMSE on large-scale datasets and approximately 25% lower RMSE in low-data settings. The learned adaptive weights improve data efficiency and provide interpretable guidance for targeted data selection.