論文の概要: Deep dynamic modeling with just two time points: Can we still allow for individual trajectories?

• arxiv url: http://arxiv.org/abs/2012.00634v1
• Date: Tue, 1 Dec 2020 16:58:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-30 20:03:58.181578
• Title: Deep dynamic modeling with just two time points: Can we still allow for individual trajectories?
• Title（参考訳）: 2つのタイムポイントによる深い動的モデリング: 個々のトラジェクタを許容できるのか?
• Authors: Maren Hackenberg, Philipp Harms, Thorsten Schmidt, Harald Binder
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Longitudinal biomedical data are often characterized by a sparse time grid and individual-specific development patterns. Specifically, in epidemiological cohort studies and clinical registries we are facing the question of what can be learned from the data in an early phase of the study, when only a baseline characterization and one follow-up measurement are available. Inspired by recent advances that allow to combine deep learning with dynamic modeling, we investigate whether such approaches can be useful for uncovering complex structure, in particular for an extreme small data setting with only two observations time points for each individual. Irregular spacing in time could then be used to gain more information on individual dynamics by leveraging similarity of individuals. We provide a brief overview of how variational autoencoders (VAEs), as a deep learning approach, can be linked to ordinary differential equations (ODEs) for dynamic modeling, and then specifically investigate the feasibility of such an approach that infers individual-specific latent trajectories by including regularity assumptions and individuals' similarity. We also provide a description of this deep learning approach as a filtering task to give a statistical perspective. Using simulated data, we show to what extent the approach can recover individual trajectories from ODE systems with two and four unknown parameters and infer groups of individuals with similar trajectories, and where it breaks down. The results show that such dynamic deep learning approaches can be useful even in extreme small data settings, but need to be carefully adapted.
• Abstract（参考訳）: 縦断的バイオメディカルデータは、しばしばスパースタイムグリッドと個人固有の開発パターンによって特徴づけられる。 具体的には、疫学的コホート研究や臨床登録では、基礎的特徴と1つのフォローアップ測定のみが利用可能である場合、研究の初期段階でデータから何が学べるかという問題に直面している。 深層学習と動的モデリングを組み合わせることを可能にする最近の進歩に触発されて、そのアプローチが複雑な構造を明らかにするのに有用であるかどうか、特に個々の観測時間点を2つしか持たない極小データセットについて検討する。 時間の不規則な間隔は、個人の類似性を活用することで、個人のダイナミクスに関するより多くの情報を得るために使うことができる。 本稿では, 変分自己エンコーダ (VAE) を動的モデリングのための常微分方程式 (ODE) とどのように関連づけるかを概観し, 正規性仮定と個人類似性を含むことによって, 個人固有の潜在軌道を推定する手法の有効性について検討する。 また,この深層学習アプローチを統計的視点を与えるためのフィルタリングタスクとして記述する。 シミュレーションデータを用いて,2 と 4 つの未知のパラメータを持つ ode システムから個々の軌道を復元し,類似した軌道を持つ個人群を推定し,分解の程度を示す。 その結果、このような動的深層学習アプローチは、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ことがわかった。

関連論文リスト

• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Learning Latent Dynamics via Invariant Decomposition and (Spatio-)Temporal Transformers [0.6767885381740952]
  本研究では,高次元経験データから力学系を学習する手法を提案する。 我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。 我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
  論文  参考訳（メタデータ） (2023-06-21T07:52:07Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Integrating Multimodal Data for Joint Generative Modeling of Complex Dynamics [6.848555909346641]
  最適復元のための様々な情報ソースを組み合わせるための効率的なフレームワークを提供する。 我々のフレームワークは完全にテキスト生成され、訓練後に、基底真理系と同じ幾何学的、時間的構造を持つ軌道を生成します。
  論文  参考訳（メタデータ） (2022-12-15T15:21:28Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• 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)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• Learning Realistic Patterns from Unrealistic Stimuli: Generalization and Data Anonymization [0.5091527753265949]
  本研究は、匿名化されたデータ合成において、サードパーティがそのようなプライベートデータから恩恵を受けられるような、シンプルかつ非従来的なアプローチについて検討する。 オープンおよび大規模臨床研究の睡眠モニタリングデータを用いて,(1)エンドユーザーが睡眠時無呼吸検出のためにカスタマイズされた分類モデルを作成し,有効活用できるかどうかを評価し,(2)研究参加者の身元を保護した。
  論文  参考訳（メタデータ） (2020-09-21T16:31:21Z)
• Penalized Estimation and Forecasting of Multiple Subject Intensive Longitudinal Data [7.780531445879182]
  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。
  論文  参考訳（メタデータ） (2020-07-09T20:34:23Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。