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
- On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - 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) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - 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) - Score-Based Generative Modeling through Stochastic Differential
Equations [114.39209003111723]
複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。
対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。
スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。
スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
論文 参考訳（メタデータ） (2020-11-26T19:39:10Z) - 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) - Predicting Multidimensional Data via Tensor Learning [0.0]
本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。
モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。
提案モデルは,予測文献に存在するベンチマークモデルより優れている。
論文 参考訳（メタデータ） (2020-02-11T11:57:07Z)
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。