Fugu-MT 論文翻訳(概要): Subgroup detection in linear growth curve models with generalized linear mixed model (GLMM) trees

論文の概要: Subgroup detection in linear growth curve models with generalized linear mixed model (GLMM) trees

arxiv url: http://arxiv.org/abs/2309.05862v1
Date: Mon, 11 Sep 2023 22:53:13 GMT
ステータス: 処理完了
システム内更新日: 2023-09-13 14:50:02.732536
Title: Subgroup detection in linear growth curve models with generalized linear mixed model (GLMM) trees
Title（参考訳）: 一般化線形混合モデル(GLMM)を用いた線形成長曲線モデルにおける部分群検出
Authors: Marjolein Fokkema and Achim Zeileis
Abstract要約: 線形成長曲線モデルにおいて,異なる形状の軌道を持つ部分群を同定するために,一般化線形混合効果モデル (GLMM) がいかに用いられるかを示す。もともと、クラスタ化された断面データのために開発されたGLMM木は、長手データに拡張されている。シミュレーションおよび実世界のデータにおいて、拡張の性能を評価し、成長曲線モデルにおける他の分割法と比較する。
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: Growth curve models are popular tools for studying the development of a response variable within subjects over time. Heterogeneity between subjects is common in such models, and researchers are typically interested in explaining or predicting this heterogeneity. We show how generalized linear mixed effects model (GLMM) trees can be used to identify subgroups with differently shaped trajectories in linear growth curve models. Originally developed for clustered cross-sectional data, GLMM trees are extended here to longitudinal data. The resulting extended GLMM trees are directly applicable to growth curve models as an important special case. In simulated and real-world data, we assess the performance of the extensions and compare against other partitioning methods for growth curve models. Extended GLMM trees perform more accurately than the original algorithm and LongCART, and similarly accurate as structural equation model (SEM) trees. In addition, GLMM trees allow for modeling both discrete and continuous time series, are less sensitive to (mis-)specification of the random-effects structure and are much faster to compute.
Abstract（参考訳）: 成長曲線モデルは、時間とともに被験者内の応答変数の開発を研究するための一般的なツールである。このようなモデルでは、被験者間の異種性は一般的であり、研究者は通常、この異種性の説明や予測に興味がある。線形成長曲線モデルにおいて,異なる形状の軌道を持つ部分群を同定するために,一般化線形混合効果モデル (GLMM) がいかに用いられるかを示す。もともとクラスタ化された断面データのために開発されたGLMM木は、長手データに拡張されている。その結果得られた拡張GLMM木は、成長曲線モデルに直接適用することができる。シミュレーションおよび実世界のデータでは,拡張性能を評価し,成長曲線モデルにおける他の分割法と比較する。拡張GLMM木は元のアルゴリズムやLongCARTよりも精度が高く、構造方程式モデル(SEM)木と同様に正確である。さらに、GLMM木は離散時系列と連続時系列の両方をモデル化することができ、ランダム効果構造の(ミス-)特異化に敏感で、計算がはるかに高速である。

関連論文リスト

Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
論文参考訳（メタデータ） (2024-08-25T16:00:44Z)
Forecasting with Hyper-Trees [50.72190208487953]
Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
論文参考訳（メタデータ） (2024-05-13T15:22:15Z)
Heterogeneous Oblique Double Random Forest [1.2599533416395767]
斜め決定木の性能は、斜め超平面の生成方法とそれらの超平面の生成に使用されるデータに依存する。提案モデルでは、ブートストラップデータ上の各非リーフノードに複数の線形分類器を用い、最適線形分類器に基づいて元のデータを分割する。実験により, 導入した異質な二重ランダム林の性能は, ベースラインモデルよりも比較的良好であることが示唆された。
論文参考訳（メタデータ） (2023-04-13T19:14:23Z)
Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes [51.84122462615402]
本研究では,変分ベイズ-DAG-GFlowNetを用いて因果モデルの構造と機構を学習する手法を提案する。我々は,GFlowNetを用いたベイズ因果構造学習の手法を拡張し,線形ガウスモデルのパラメータを学習する。
論文参考訳（メタデータ） (2022-11-04T21:57:39Z)
On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文参考訳（メタデータ） (2022-06-09T17:12:32Z)
Learning Linear Polytree Structural Equation Models [4.833417613564028]
我々は、線形構造方程式モデル(SEM)からデータを生成する際に、有向非巡回グラフ(DAG)を学習する問題に興味を持っている。我々は、よく知られたChow-Liuアルゴリズムのサンプルサイズについて十分な条件について検討し、ポリツリーの骨格と等価クラスの両方を正確に復元する。また、各ノードが変数群を表すような群線型ポリツリーモデルの拡張も検討する。
論文参考訳（メタデータ） (2021-07-22T23:22:20Z)
T-LoHo: A Bayesian Regularization Model for Structured Sparsity and Smoothness on Graphs [0.0]
グラフ構造化データでは、構造化されたスパーシリティと滑らかさが団結する傾向にある。グラフィカルな関係を持つ高次元パラメータに先立って提案する。構造された空間と滑らかさを同時に検出するために使用します。
論文参考訳（メタデータ） (2021-07-06T10:10:03Z)
Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。モデルのパラメータは期待最大化手順によって反復的に推定される。
論文参考訳（メタデータ） (2021-06-16T18:00:02Z)
Generative Learning of Heterogeneous Tail Dependence [13.60514494665717]
我々のモデルは、各次元のすべての対の間の不均一かつ非対称なテール依存を特徴とする。パラメータを学習するための新しいモーメント学習アルゴリズムを考案する。その結果、このフレームワークはコプラベースのベンチマークと比較すると、より優れた有限サンプル性能が得られることがわかった。
論文参考訳（メタデータ） (2020-11-26T05:34:31Z)
Generalized Matrix Factorization: efficient algorithms for fitting generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。 GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文参考訳（メタデータ） (2020-10-06T04:28:19Z)
Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。