論文の概要: Penalized Estimation and Forecasting of Multiple Subject Intensive Longitudinal Data

• arxiv url: http://arxiv.org/abs/2007.05052v2
• Date: Fri, 4 Feb 2022 20:54:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 05:00:29.495773
• Title: Penalized Estimation and Forecasting of Multiple Subject Intensive Longitudinal Data
• Title（参考訳）: 複数の被検体集中型縦断データのペナルティ化推定と予測
• Authors: Zachary F. Fisher and Younghoon Kim and Barbara Fredrickson and Vladas Pipiras
• Abstract要約: 本稿では,様々な話題の課題に対処する新しいモデリングフレームワークを提案する。 個々の時系列の長さと収集した変数数が大まかに等価である場合、どのようにILDをモデル化し、予測することができるか? 第二に、多くのILDシナリオに固有の横断的情報(対人的情報)をいかに活用するか、そして、認定された個人は量的にも質的にも、どのように異なるか。
• 参考スコア（独自算出の注目度）: 7.780531445879182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intensive Longitudinal Data (ILD) is increasingly available to social and behavioral scientists. With this increased availability come new opportunities for modeling and predicting complex biological, behavioral, and physiological phenomena. Despite these new opportunities psychological researchers have not taken full advantage of promising opportunities inherent to this data, the potential to forecast psychological processes at the individual level. To address this gap in the literature we present a novel modeling framework that addresses a number of topical challenges and open questions in the psychological literature on modeling dynamic processes. First, how can we model and forecast ILD when the length of individual time series and the number of variables collected are roughly equivalent, or when time series lengths are shorter than what is typically required for time series analyses? Second, how can we best take advantage of the cross-sectional (between-person) information inherent to most ILD scenarios while acknowledging individuals differ both quantitatively (e.g. in parameter magnitude) and qualitatively (e.g. in structural dynamics)? Despite the acknowledged between-person heterogeneity in many psychological processes is it possible to leverage group-level information to support improved forecasting at the individual level? In the remainder of the manuscript, we attempt to address these and other pressing questions relevant to the forecasting of multiple-subject ILD.
• Abstract（参考訳）: 集中型縦断データ(ILD)は、社会科学者や行動科学者が利用できるようになっている。 これにより、複雑な生物学的、行動学的、生理的現象をモデル化し、予測する新たな機会が生まれる。 これらの新たな機会にもかかわらず、心理学研究者はこのデータに固有の有望な機会を十分に活用していない。 このギャップを文献に埋め込むため,我々は動的プロセスモデリングに関する心理学文献において,多くの話題的課題と疑問に答える新しいモデリングフレームワークを提案する。 まず、個々の時系列の長さと収集した変数の数が大まかに等価である場合や、時系列分析に通常必要とされるものよりも時系列の長さが短い場合、ILDをどうモデル化し予測するか。 第二に、ほとんどのILDシナリオに固有の横断的(対人的)情報の利点をいかに活用するか、そして、認知された個人は定量的に(例えばパラメータ等級)と定性的に(例えば構造力学において)異なるか。 多くの心理的プロセスにおいて対人不均一性が認められているにもかかわらず、個人レベルでの予測の改善を支援するためにグループレベルの情報を活用することは可能か? 原稿の残りの部分では、これらと他の差し迫った疑問に対して、複数サブジェクトirdの予測に関連する対処を試みる。

関連論文リスト

• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• On the Resurgence of Recurrent Models for Long Sequences -- Survey and Research Opportunities in the Transformer Era [59.279784235147254]
  この調査は、Recurrenceの統一の傘の下に構築されたこれらのトレンドの概要を提供することを目的としている。 長いシーケンスを処理するという考え方を捨てる際に顕著になる新しい研究機会を強調している。
  論文  参考訳（メタデータ） (2024-02-12T23:55:55Z)
• Learning signatures of decision making from many individuals playing the same game [54.33783158658077]
  我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。 我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-02-21T21:41:53Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Deep learning and differential equations for modeling changes in individual-level latent dynamics between observation periods [0.0]
  本稿では,異なる微分方程式パラメータの集合が観測サブ周期で許容される拡張を提案する。 アプリケーション内のレジリエンスの個々の動的モデルから予測対象を導出する。 提案手法では,動的モデルの個々のレベルパラメータの同定に成功し,予測子を安定して選択できる。
  論文  参考訳（メタデータ） (2022-02-15T13:53:42Z)
• User profile-driven large-scale multi-agent learning from demonstration in federated human-robot collaborative environments [5.218882272051637]
  本稿では,提示された人間の行動のきめ細かい表現を提供する,新しいユーザプロファイルの定式化について紹介する。 全体的な設計は、人間の行動の短期的および長期的分析/解釈を可能にする。
  論文  参考訳（メタデータ） (2021-03-30T15:33:21Z)
• Deep dynamic modeling with just two time points: Can we still allow for individual trajectories? [0.0]
  疫学コホート研究や臨床登録では、縦断的生医学データはしばしばスパースタイムグリッドによって特徴づけられる。 ディープラーニングと動的モデリングを組み合わせた最近の進歩から着想を得て,そのような手法が複雑な構造を明らかにするのに有用かどうかを考察する。 このような動的ディープラーニングアプローチは、極端に小さなデータ設定でも有用であるが、慎重に適応する必要がある。
  論文  参考訳（メタデータ） (2020-12-01T16:58:02Z)
• Pay Attention to Evolution: Time Series Forecasting with Deep Graph-Evolution Learning [33.79957892029931]
  本研究は時系列予測のためのニューラルネットワークアーキテクチャを提案する。 Recurrent Graph Evolution Neural Network (ReGENN) と名付けた。 多数のアンサンブル法と古典統計法との比較を行った。
  論文  参考訳（メタデータ） (2020-08-28T20:10:07Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• 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)
• Representation Learning on Variable Length and Incomplete Wearable-Sensory Time Series [29.061466414756925]
  HeartSpaceは、時系列エンコーディングモジュールとパターン集約ネットワークを統合して、可変長および欠落値の時系列データをエンコードする。 HeartSpaceはシームズ・トリップレットネットワークを実装し、シリーズ内およびシリーズ間相関を共同でキャプチャすることで表現を最適化する。 2つの異なる実世界のデータに対する実証的な評価は、様々なアプリケーションにおいて、最先端のベースラインよりも顕著なパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2020-02-10T08:20:44Z)

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。