論文の概要: Continuous Forecasting via Neural Eigen Decomposition of Stochastic Dynamics

• arxiv url: http://arxiv.org/abs/2202.00117v2
• Date: Wed, 2 Feb 2022 13:16:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 12:07:24.651634
• Title: Continuous Forecasting via Neural Eigen Decomposition of Stochastic Dynamics
• Title（参考訳）: 確率力学のニューラル固有分解による連続予測
• Authors: Stav Belogolovsky, Ido Greenberg, Danny Eitan and Shie Mannor
• Abstract要約: 本稿では,スパース観測と適応力学を用いた逐次予測のためのニューラル固有SDEアルゴリズムを提案する。 NESDEは、スパース観測による効率的な頻繁な予測を可能にするために、力学モデルに固有分解を適用する。 我々は,MIMIC-IVデータセットにおけるヘパリン投与後の血液凝固の患者適応予測を初めて行った。
• 参考スコア（独自算出の注目度）: 47.82509795873254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivated by a real-world problem of blood coagulation control in Heparin-treated patients, we use Stochastic Differential Equations (SDEs) to formulate a new class of sequential prediction problems -- with an unknown latent space, unknown non-linear dynamics, and irregular sparse observations. We introduce the Neural Eigen-SDE (NESDE) algorithm for sequential prediction with sparse observations and adaptive dynamics. NESDE applies eigen-decomposition to the dynamics model to allow efficient frequent predictions given sparse observations. In addition, NESDE uses a learning mechanism for adaptive dynamics model, which handles changes in the dynamics both between sequences and within sequences. We demonstrate the accuracy and efficacy of NESDE for both synthetic problems and real-world data. In particular, to the best of our knowledge, we are the first to provide a patient-adapted prediction for blood coagulation following Heparin dosing in the MIMIC-IV dataset. Finally, we publish a simulated gym environment based on our prediction model, for experimentation in algorithms for blood coagulation control.
• Abstract（参考訳）: ヘパリン治療患者の血液凝固制御の現実的な問題に触発され、確率微分方程式(SDE)を用いて、未知の潜伏空間、未知の非線形ダイナミクス、不規則なスパース観察を含む、新しい一連の予測問題を定式化する。 ニューラル固有sde (nesde) アルゴリズムを, スパース観測と適応ダイナミクスを用いた逐次予測に導入する。 nesdeは、スパース観測による効率的な頻繁な予測を可能にするために、固有分解をダイナミクスモデルに適用する。 さらに、nesdeは適応ダイナミクスモデルのための学習メカニズムを使用しており、シーケンス間およびシーケンス内におけるダイナミクスの変化を処理する。 合成問題と実世界のデータの両方に対するNESDEの精度と有効性を示す。 特に我々の知識を最大限に活用するため、ミソ-ivデータセットでヘパリン投与後の血液凝固予測を患者に適応させた最初の例である。 最後に,血液凝固制御のためのアルゴリズムの実験を行うための,予測モデルに基づくシミュレーション体育環境を公開する。

関連論文リスト

• Memorization and Regularization in Generative Diffusion Models [5.128303432235475]
  拡散モデルは、生成モデリングの強力なフレームワークとして登場した。 この分析は、解析的に抽出可能な最小化器の再生を避けるための正規化の必要性を強調している。 実験は記憶の文脈で評価され、今後の正規化の方向性が強調される。
  論文  参考訳（メタデータ） (2025-01-27T05:17:06Z)
• Generative Modeling of Neural Dynamics via Latent Stochastic Differential Equations [1.5467259918426441]
  本稿では,生体神経系の計算モデル構築のためのフレームワークを提案する。 我々は、微分ドリフトと拡散関数を持つ結合微分方程式系を用いる。 これらのハイブリッドモデルは,刺激によって誘発される神経および行動応答の予測において,競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2024-12-01T09:36:03Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Sparsity in Continuous-Depth Neural Networks [2.969794498016257]
  重みと特徴空間が予測および基礎となる動的法則の同定に与える影響について検討する。 ヒトのモーションキャプチャーとヒト造血幹細胞RNA-seqデータからなる実世界のデータセットをキュレートする。
  論文  参考訳（メタデータ） (2022-10-26T12:48:12Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• 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)
• Disentangled Generative Models for Robust Prediction of System Dynamics [2.6424064030995957]
  本研究では,動的システムの領域パラメータをデータ生成過程の変動要因として扱う。 教師付き不整合と因果分解のアイデアを活用することにより、生成モデルの潜在空間における力学から領域パラメータを分離することを目指す。 その結果,不整合VAEはトレーニングデータに存在しない領域パラメータ空間に適応することが示唆された。
  論文  参考訳（メタデータ） (2021-08-26T09:58:06Z)

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。