論文の概要: jmstate, a Flexible Python Package for Multi-State Joint Modeling

• arxiv url: http://arxiv.org/abs/2510.07128v1
• Date: Wed, 08 Oct 2025 15:24:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.592321
• Title: jmstate, a Flexible Python Package for Multi-State Joint Modeling
• Title（参考訳）: jmstate - マルチステートジョイントモデリングのためのフレキシブルなPythonパッケージ
• Authors: Félix Laplante, Christophe Ambroise, Estelle Kuhn, Sarah Lemler,
• Abstract要約: 多状態ジョイントモデルは、古典的なジョイントモデルのより柔軟な代替手段を提供する。 任意のグラフ上に定義された多状態イベントプロセスを用いて,縦型バイオマーカーモデリングを統一する汎用フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.1199585259018459
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Classical joint modeling approaches often rely on competing risks or recurrent event formulations to account for complex real-world processes involving evolving longitudinal markers and discrete event occurrences. However, these frameworks typically capture only limited aspects of the underlying event dynamics. Multi-state joint models offer a more flexible alternative by representing full event histories through a network of possible transitions, including recurrent cycles and terminal absorptions, all potentially influenced by longitudinal covariates. In this paper, we propose a general framework that unifies longitudinal biomarker modeling with multi-state event processes defined on arbitrary directed graphs. Our approach accommodates both Markovian and semi-Markovian transition structures, and extends classical joint models by coupling nonlinear mixed-effects longitudinal submodels with multi-state survival processes via shared latent structures. We derive the full likelihood and develop scalable inference procedures based on stochastic gradient descent. Furthermore, we introduce a dynamic prediction framework, enabling individualized risk assessments along complex state-transition trajectories. To facilitate reproducibility and dissemination, we provide an open-source Python library \texttt{jmstate} implementing the proposed methodology, available on \href{https://pypi.org/project/jmstate/}{PyPI}. Simulation experiments and a biomedical case study demonstrate the flexibility and performance of the framework in representing complex longitudinal and multi-state event dynamics. The full Python notebooks used to reproduce the experiments as well as the source code of this paper are available on \href{https://gitlab.com/felixlaplante0/jmstate-paper/}{GitLab}.
• Abstract（参考訳）: 古典的な共同モデリングのアプローチは、しばしば競合するリスクや繰り返しイベントの定式化に頼り、進化する縦方向のマーカーと離散的な事象の発生を含む複雑な現実世界の過程を考慮に入れている。 しかしながら、これらのフレームワークは通常、基礎となるイベントダイナミクスの限られた側面のみをキャプチャします。 多状態関節モデルは、連続サイクルや終端吸収を含む可能性のある遷移のネットワークを通じて完全な事象履歴を表現することで、より柔軟な代替手段を提供する。 本稿では,任意の有向グラフ上に定義された多状態イベントプロセスを用いて,縦型バイオマーカーモデリングを統一する汎用フレームワークを提案する。 提案手法はマルコフと半マルコフの遷移構造の両方に対応し、非線形混合影響長手部分モデルと多状態生存過程を共有潜在構造を介して結合することにより古典的関節モデルを拡張する。 確率勾配勾配に基づく拡張可能な推論手法を開発した。 さらに、複雑な状態遷移軌道に沿った個別化リスク評価を可能にする動的予測フレームワークを導入する。 再現性と普及を容易にするため,提案手法を実装したオープンソースのPythonライブラリである \texttt{jmstate} を, \href{https://pypi.org/project/jmstate/}{PyPI} で提供する。 シミュレーション実験とバイオメディカルケーススタディは、複雑な縦・多状態イベントダイナミクスを表現するためのフレームワークの柔軟性と性能を実証する。 実験を再現するために使われるPythonノートブックと、この論文のソースコードは、 \href{https://gitlab.com/felixlaplante0/jmstate-paper/}{GitLab}で入手できる。

関連論文リスト

• JointDiff: Bridging Continuous and Discrete in Multi-Agent Trajectory Generation [75.58351043849385]
  生成モデルは、しばしば連続したデータと離散的なイベントを別々のプロセスとして扱う。 このギャップを埋めるために、連続時間データと同期離散イベントを同時に生成してこれらの2つのプロセス間の相互作用を設計した新しい拡散フレームワークであるJointDiffを導入する。 JointDiffは最先端のパフォーマンスを実現し、インタラクティブシステムのための現実的で制御可能なモデルを構築するために、ジョイントモデリングが不可欠であることを実証している。
  論文  参考訳（メタデータ） (2025-09-26T16:04:00Z)
• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• HeLoFusion: An Efficient and Scalable Encoder for Modeling Heterogeneous and Multi-Scale Interactions in Trajectory Prediction [11.30785902722196]
  HeLoFusionは、異種およびマルチスケールエージェントインタラクションをモデリングするための効率的でスケーラブルなエンコーダである。 本研究は,マルチスケールおよび異種相互作用を明示的にモデル化した局所性グラウンドアーキテクチャが,動き予測を推し進めるための極めて効果的な戦略であることを実証する。
  論文  参考訳（メタデータ） (2025-09-15T09:19:41Z)
• Flexible Language Modeling in Continuous Space with Transformer-based Autoregressive Flows [46.673228292287895]
  本稿では,連続表現のモデル化にトランスフォーマーに基づく自己回帰正規化フローを用いた新しいフレームワークを提案する。 このアプローチは大きな柔軟性を解放し、グローバルな双方向コンテキストをキャプチャ可能なモデルの構築を可能にします。 離散データによって形成される潜在空間内の複雑な依存関係をキャプチャする混合結合変換を提案する。
  論文  参考訳（メタデータ） (2025-07-01T04:51:25Z)
• Fréchet regression with implicit denoising and multicollinearity reduction [1.5771347525430772]
  Fr'echet回帰は、距離空間におけるモデル複素応答に線形回帰を拡張する。 本稿では,入力変数と複数応答の関係を明示的にモデル化するGlobal Fr'echet re gressionモデルの拡張について述べる。
  論文  参考訳（メタデータ） (2024-12-24T08:02:28Z)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Flow-based Spatio-Temporal Structured Prediction of Motion Dynamics [21.24885597341643]
  条件付き流れ (CNF) は、高次元と相互相関を持つ複雑な分布を表現できるフレキシブルな生成モデルである。 本研究では,時間的入力特徴の出力を自己回帰的に正規化する新しい手法としてMotionFlowを提案する。 本稿では,予測,動き予測時系列予測,二分節分割などのタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2021-04-09T14:30:35Z)
• Convex Parameter Recovery for Interacting Marked Processes [9.578874709168561]
  ある場所で発生した事象の確率は、この場所や他の場所での過去の出来事に影響される可能性がある。 私たちは、一般的に採用されているため、相互作用が正あるいは崩壊することを制限しません。 本モデルでは,モデルパラメータに対する一般凸制約を許容することにより,事前知識を組み込む。
  論文  参考訳（メタデータ） (2020-03-29T03:23:30Z)

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。