論文の概要: Deep learning and differential equations for modeling changes in
individual-level latent dynamics between observation periods
- arxiv url: http://arxiv.org/abs/2202.07403v1
- Date: Tue, 15 Feb 2022 13:53:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 14:23:26.507903
- Title: Deep learning and differential equations for modeling changes in
individual-level latent dynamics between observation periods
- Title（参考訳）: 観測周期間の個人レベル潜在ダイナミクスのモデリングのための深層学習と微分方程式
- Authors: G\"oran K\"ober, Raffael Kalisch, Lara Puhlmann, Andrea Chmitorz,
Anita Schick, and Harald Binder
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: When modeling longitudinal biomedical data, often dimensionality reduction as
well as dynamic modeling in the resulting latent representation is needed. This
can be achieved by artificial neural networks for dimension reduction, and
differential equations for dynamic modeling of individual-level trajectories.
However, such approaches so far assume that parameters of individual-level
dynamics are constant throughout the observation period. Motivated by an
application from psychological resilience research, we propose an extension
where different sets of differential equation parameters are allowed for
observation sub-periods. Still, estimation for intra-individual sub-periods is
coupled for being able to fit the model also with a relatively small dataset.
We subsequently derive prediction targets from individual dynamic models of
resilience in the application. These serve as interpretable resilience-related
outcomes, to be predicted from characteristics of individuals, measured at
baseline and a follow-up time point, and selecting a small set of important
predictors. Our approach is seen to successfully identify individual-level
parameters of dynamic models that allows us to stably select predictors, i.e.,
resilience factors. Furthermore, we can identify those characteristics of
individuals that are the most promising for updates at follow-up, which might
inform future study design. This underlines the usefulness of our proposed deep
dynamic modeling approach with changes in parameters between observation
sub-periods.
- Abstract（参考訳）: 縦断的な生体医学データをモデル化する場合、しばしば次元の縮小と動的モデリングが必要となる。
これは、次元減少のための人工ニューラルネットワークと、個人レベルの軌道の動的モデリングのための微分方程式によって達成できる。
しかし、このようなアプローチは、観測期間を通して個々のレベルダイナミクスのパラメータが一定であると仮定している。
心理学的レジリエンス研究の応用に動機づけられ,微分方程式パラメータの異なる集合を観察サブ周期に許容する拡張法を提案する。
それでも、individual sub- periodsの推定は、モデルに比較的小さなデータセットを適合させるために結合される。
その後、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。
これらは解釈可能なレジリエンス関連の結果となり、個人の特性から予測され、ベースラインとフォローアップ時点で測定され、少数の重要な予測器を選択する。
我々のアプローチは、動的モデルの個々のレベルパラメータをうまく識別し、予測因子、すなわちレジリエンス因子を安定して選択することができる。
さらに、フォローアップ時に更新に最も有望な個人の特性を識別することができ、将来の研究デザインに影響を及ぼす可能性がある。
これは観測サブ周期間のパラメータ変化を伴う深部動的モデリング手法の有用性を示す。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Neural Persistence Dynamics [8.197801260302642]
時間発展する点雲のトポロジにおける力学を学習する問題を考察する。
提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
論文 参考訳（メタデータ） (2024-05-24T17:20:18Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Anamnesic Neural Differential Equations with Orthogonal Polynomial
Projections [6.345523830122166]
本稿では,長期記憶を強制し,基礎となる力学系の大域的表現を保存する定式化であるPolyODEを提案する。
提案手法は理論的保証に支えられ,過去と将来のデータの再構築において,過去の成果よりも優れていたことを実証する。
論文 参考訳（メタデータ） (2023-03-03T10:49:09Z) - Neural Superstatistics for Bayesian Estimation of Dynamic Cognitive
Models [2.7391842773173334]
我々は,時間変化パラメータと時間不変パラメータの両方を復元できるベイズ推論のシミュレーションに基づくディープラーニング手法を開発した。
この結果から,ディープラーニングアプローチは時間的ダイナミクスを捉える上で極めて効率的であることが示唆された。
論文 参考訳（メタデータ） (2022-11-23T17:42:53Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - 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) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳（メタデータ） (2021-12-29T23:37:06Z) - SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred
from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。
既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。
我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文 参考訳（メタデータ） (2021-11-10T23:26:58Z) - 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) - 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)
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。