論文の概要: Longitudinal Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2006.09763v3
- Date: Tue, 20 Apr 2021 14:05:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 19:33:30.618822
- Title: Longitudinal Variational Autoencoder
- Title(参考訳): 縦型変分オートエンコーダ
- Authors: Siddharth Ramchandran, Gleb Tikhonov, Kalle Kujanp\"a\"a, Miika
Koskinen and Harri L\"ahdesm\"aki
- Abstract要約: 不足値を含む高次元データを解析するための一般的なアプローチは、変分オートエンコーダ(VAE)を用いた低次元表現を学習することである。
標準的なVAEは、学習した表現はi.d.であり、データサンプル間の相関を捉えることができないと仮定する。
本稿では,多出力加法的ガウス過程(GP)を用いて,構造化された低次元表現を学習するVAEの能力を拡張した縦型VAE(L-VAE)を提案する。
我々の手法は時間変化の共有効果とランダム効果の両方に同時に対応でき、構造化された低次元表現を生成する。
- 参考スコア(独自算出の注目度): 1.4680035572775534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Longitudinal datasets measured repeatedly over time from individual subjects,
arise in many biomedical, psychological, social, and other studies. A common
approach to analyse high-dimensional data that contains missing values is to
learn a low-dimensional representation using variational autoencoders (VAEs).
However, standard VAEs assume that the learnt representations are i.i.d., and
fail to capture the correlations between the data samples. We propose the
Longitudinal VAE (L-VAE), that uses a multi-output additive Gaussian process
(GP) prior to extend the VAE's capability to learn structured low-dimensional
representations imposed by auxiliary covariate information, and derive a new KL
divergence upper bound for such GPs. Our approach can simultaneously
accommodate both time-varying shared and random effects, produce structured
low-dimensional representations, disentangle effects of individual covariates
or their interactions, and achieve highly accurate predictive performance. We
compare our model against previous methods on synthetic as well as clinical
datasets, and demonstrate the state-of-the-art performance in data imputation,
reconstruction, and long-term prediction tasks.
- Abstract(参考訳): 個人から繰り返し測定される縦断的データセットは、多くの生体医学、心理学、社会、その他の研究に現れる。
不足値を含む高次元データを解析するための一般的なアプローチは、変動オートエンコーダ(VAE)を用いて低次元表現を学ぶことである。
しかし、標準vaesは学習表現はi.i.d.であると仮定し、データサンプル間の相関を捉えることができない。
本研究では,多出力加法ガウス過程(gp)を用いて,補助共変量情報によって課される構造的低次元表現を学習し,そのようなgpsのための新しいkl発散上限を導出する縦方向vae(l-vae)を提案する。
本手法は,時変共有効果とランダム効果の両方を同時に考慮し,構造化された低次元表現と,個々の共変量とその相互作用による不等角効果を生成し,高精度な予測性能を実現する。
我々は,従来の合成および臨床データセットの手法と比較し,データ計算,再構成,長期予測タスクにおける最先端性能を実証した。
関連論文リスト
- SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。
SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
論文 参考訳(メタデータ) (2024-09-19T12:35:25Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳(メタデータ) (2024-06-20T02:20:23Z) - Sequential Inference of Hospitalization Electronic Health Records Using Probabilistic Models [3.2988476179015005]
本研究では,入院電子健康記録(EHR)データに含まれる複数の任意長配列に対する確率的教師なしモデルの設計を行う。
このモデルは潜在変数構造を使用し、薬物、診断、実験室のテスト、神経学的評価、薬物の間の複雑な関係を捉えている。
推論アルゴリズムは、部分的データを用いて、その長さや特定の値の存在を含む完全なシーケンスの特性を推測する。
論文 参考訳(メタデータ) (2024-03-27T21:06:26Z) - Predictive variational autoencoder for learning robust representations
of time-series data [0.0]
本稿では,次点を予測するVAEアーキテクチャを提案する。
VAEの2つの制約は、時間とともにスムーズであることを示し、堅牢な潜伏表現を生成し、合成データセット上の潜伏因子を忠実に回収する。
論文 参考訳(メタデータ) (2023-12-12T02:06:50Z) - A Variational Autoencoder for Heterogeneous Temporal and Longitudinal
Data [0.3749861135832073]
近年,経時的および経時的データを処理可能なVAEの拡張は,医療,行動モデリング,予測保守に応用されている。
本研究では,既存の時間的および縦的VAEをヘテロジニアスデータに拡張するヘテロジニアス縦型VAE(HL-VAE)を提案する。
HL-VAEは高次元データセットに対する効率的な推論を提供し、連続、カウント、カテゴリー、順序データのための可能性モデルを含む。
論文 参考訳(メタデータ) (2022-04-20T10:18:39Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳(メタデータ) (2022-03-23T12:52:49Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Regularizing Variational Autoencoder with Diversity and Uncertainty
Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。
よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文 参考訳(メタデータ) (2021-10-24T07:58:13Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Robustly Pre-trained Neural Model for Direct Temporal Relation
Extraction [10.832917897850361]
BERT (Bidirectional Representation using Transformer) のいくつかの変種について検討した。
2012 i2b2 時間関係課題データセットのセマンティックな部分集合である直接時間関係データセットを用いて,これらの手法の評価を行った。
結果: 10倍のコーパスを含む事前学習戦略を取り入れたRoBERTaは,F値の絶対スコア(1.00スケール)を0.0864改善し,SVMモデルで達成した従来の最先端性能と比較して誤差率を24%低減した。
論文 参考訳(メタデータ) (2020-04-13T22:01:38Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。