論文の概要: Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data
- arxiv url: http://arxiv.org/abs/2202.09463v1
- Date: Fri, 18 Feb 2022 22:41:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 07:55:54.535262
- Title: Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data
- Title（参考訳）: 混合効果ニューラルode:パネルデータのダイナミクス解析のための変分近似
- Authors: Jurijs Nazarovs, Rudrasis Chakraborty, Songwong Tasneeyapant, Sathya
N. Ravi, Vikas Singh
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 50.23363975709122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Panel data involving longitudinal measurements of the same set of
participants taken over multiple time points is common in studies to understand
childhood development and disease modeling. Deep hybrid models that marry the
predictive power of neural networks with physical simulators such as
differential equations, are starting to drive advances in such applications.
The task of modeling not just the observations but the hidden dynamics that are
captured by the measurements poses interesting statistical/computational
questions. We propose a probabilistic model called ME-NODE to incorporate
(fixed + random) mixed effects for analyzing such panel data. We show that our
model can be derived using smooth approximations of SDEs provided by the
Wong-Zakai theorem. We then derive Evidence Based Lower Bounds for ME-NODE, and
develop (efficient) training algorithms using MC based sampling methods and
numerical ODE solvers. We demonstrate ME-NODE's utility on tasks spanning the
spectrum from simulations and toy data to real longitudinal 3D imaging data
from an Alzheimer's disease (AD) study, and study its performance in terms of
accuracy of reconstruction for interpolation, uncertainty estimates and
personalized prediction.
- Abstract（参考訳）: 小児の発達と疾患のモデリングを理解するために,複数の時間点にまたがる同じ参加者の縦断的測定を含むパネルデータが一般的である。
ニューラルネットワークの予測力と微分方程式などの物理シミュレータを結合したディープハイブリッドモデルは、そのような応用の進歩を推し進めている。
観測だけでなく、測定によって捕捉される隠れたダイナミクスのモデリングのタスクは、興味深い統計・計算の疑問をもたらす。
me-node と呼ばれる確率モデルを提案し,それらのパネルデータの解析に (固定+ランダム) 混合効果を取り入れる。
本モデルは, wong-zakai の定理により与えられた sdes の滑らかな近似を用いて導出できることを示す。
次に,meノードのエビデンスに基づく下限を導出し,mcに基づくサンプリング法と数値ode解法を用いて(効率的な)学習アルゴリズムを開発した。
シミュレーションや玩具データからアルツハイマー病(ad)研究の実際の縦型3d画像データまでの範囲にまたがるタスクにおけるme-nodeの有用性を実証し,補間,不確実性推定,パーソナライズ予測のための再構成精度の観点からその性能について検討した。
関連論文リスト
- Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - 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) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Predicting Multi-Joint Kinematics of the Upper Limb from EMG Signals
Across Varied Loads with a Physics-Informed Neural Network [0.0]
PINNモデルは、フィードフォワードニューラルネットワーク(ANN)とジョイントトルクモデルを組み合わせることで構成される。
PINNモデルのトレーニングデータセットは、EMGと4つの異なる被験者から収集された時間データを含む。
その結果,関節角度予測では58%から83%の相関が認められた。
論文 参考訳（メタデータ） (2023-11-28T16:55:11Z) - 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) - Gradient-based Bayesian Experimental Design for Implicit Models using
Mutual Information Lower Bounds [20.393359858407162]
ベイズ実験設計のためのフレームワーク(BED)を暗黙のモデルで導入する。データ生成分布は難解だが、そこからのサンプリングは可能である。
このようなモデルに最適な実験設計を見つけるために、ニューラルネットワークがパラメータとする相互情報の低い境界を最大化します。
ニューラルネットワークをサンプルデータ上でトレーニングすることで,勾配アセンシングを用いたネットワークパラメータと設計を同時に更新する。
論文 参考訳（メタデータ） (2021-05-10T13:59:25Z) - Data-driven Identification of 2D Partial Differential Equations using
extracted physical features [0.0]
本稿では,2次元データから方程式に係わる項を発見するためのML手法を提案する。
このアイデアは、異なる順序の時間微分を持つ2次元方程式を発見し、モデルが訓練されていない新しい基礎物理学を識別することを可能にする。
その結果, 3次元畳み込みニューラルネットワーク(3D CNN)で検出された特徴と比較して, 先行知識に基づいて抽出した特徴のロバスト性を示した。
論文 参考訳（メタデータ） (2020-10-20T21:06:50Z) - DeepCOVIDNet: An Interpretable Deep Learning Model for Predictive
Surveillance of COVID-19 Using Heterogeneous Features and their Interactions [2.30238915794052]
今後の新型コロナウイルス感染者の増加範囲を予測するための深層学習モデルを提案する。
様々なソースから収集したデータを用いて、米国全郡で7日以内に感染が拡大する範囲を推定する。
論文 参考訳（メタデータ） (2020-07-31T23:37:38Z)
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。