論文の概要: TabMixNN: A Unified Deep Learning Framework for Structural Mixed Effects Modeling on Tabular Data

• arxiv url: http://arxiv.org/abs/2512.23787v1
• Date: Mon, 29 Dec 2025 17:48:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.171627
• Title: TabMixNN: A Unified Deep Learning Framework for Structural Mixed Effects Modeling on Tabular Data
• Title（参考訳）: TabMixNN: 語彙データを用いた構造混合効果モデリングのための統合ディープラーニングフレームワーク
• Authors: Deniz Akdemir,
• Abstract要約: 本稿では、従来の混合効果モデリングを現代のニューラルネットワークアーキテクチャで合成する、柔軟なPyTorchベースのディープラーニングフレームワークTabMixNNを提案する。 本研究では,縦断データ解析,ゲノム予測,空間時間モデルへの応用を通じて,フレームワークの柔軟性を実証する。
• 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: We present TabMixNN, a flexible PyTorch-based deep learning framework that synthesizes classical mixed-effects modeling with modern neural network architectures for tabular data analysis. TabMixNN addresses the growing need for methods that can handle hierarchical data structures while supporting diverse outcome types including regression, classification, and multitask learning. The framework implements a modular three-stage architecture: (1) a mixed-effects encoder with variational random effects and flexible covariance structures, (2) backbone architectures including Generalized Structural Equation Models (GSEM) and spatial-temporal manifold networks, and (3) outcome-specific prediction heads supporting multiple outcome families. Key innovations include an R-style formula interface for accessibility, support for directed acyclic graph (DAG) constraints for causal structure learning, Stochastic Partial Differential Equation (SPDE) kernels for spatial modeling, and comprehensive interpretability tools including SHAP values and variance decomposition. We demonstrate the framework's flexibility through applications to longitudinal data analysis, genomic prediction, and spatial-temporal modeling. TabMixNN provides a unified interface for researchers to leverage deep learning while maintaining the interpretability and theoretical grounding of classical mixed-effects models.
• Abstract（参考訳）: 本稿では,PyTorchをベースとしたフレキシブルなディープラーニングフレームワークであるTabMixNNについて紹介する。 TabMixNNは、リグレッション、分類、マルチタスク学習といったさまざまな結果タイプをサポートしながら、階層的なデータ構造を処理できるメソッドの必要性の高まりに対処する。 本フレームワークは,(1)変動ランダム効果とフレキシブルな共分散構造を有する混合効果エンコーダ,(2)一般化構造方程式モデル(GSEM)と時空間多様体ネットワークを含むバックボーンアーキテクチャ,(3)複数の結果系列をサポートする結果固有予測ヘッドを実装した。 主な革新としては、アクセシビリティのためのRスタイルの公式インターフェース、因果構造学習のためのDAG制約のサポート、空間モデリングのための確率的部分微分方程式(SPDE)カーネル、SHAP値や分散分解を含む包括的な解釈可能性ツールなどがある。 本研究では,縦断データ解析,ゲノム予測,空間時間モデリングへの応用を通じて,フレームワークの柔軟性を実証する。 TabMixNNは、研究者が古典的な混合効果モデルの解釈可能性と理論的基礎を維持しながらディープラーニングを活用するための統一インターフェースを提供する。

関連論文リスト

• TabKAN: Advancing Tabular Data Analysis using Kolmogorov-Arnold Network [11.664880068737084]
  本稿では,Kolmogorov-Arnold Networks (KANs) を用いた表型データモデリングを支援する新しいフレームワークであるTabKANを紹介する。 Kansは、エッジ上で学習可能なアクティベーション関数をレバージし、解釈可能性とトレーニング効率の両方を改善する。 さまざまな公開データセットの広範なベンチマークを通じて、TabKANは教師付き学習において優れたパフォーマンスを示しながら、トランスファー学習シナリオにおける古典的およびトランスフォーマーベースのモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-04-09T03:46:10Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Semi-Structured Deep Piecewise Exponential Models [2.7728956081909346]
  本稿では,統計学の先進的な概念と深層学習を組み合わせた生存分析のための多目的フレームワークを提案する。 この枠組みを用いてアルツハイマー病の進行を予測することによって概念実証を行う。
  論文  参考訳（メタデータ） (2020-11-11T14:41:19Z)
• Revealing the Invisible with Model and Data Shrinking for Composite-database Micro-expression Recognition [49.463864096615254]
  入力複雑性とモデル複雑性を含む学習複雑性の影響を分析する。 より浅層構造と低分解能入力データを探索する再帰畳み込みネットワーク(RCN)を提案する。 学習可能なパラメータを増やさなくてもRCNと統合できる3つのパラメータフリーモジュールを開発した。
  論文  参考訳（メタデータ） (2020-06-17T06:19:24Z)
• Struct-MMSB: Mixed Membership Stochastic Blockmodels with Interpretable Structured Priors [13.712395104755783]
  混合メンバシップブロックモデル(MMSB)は、コミュニティ検出とネットワーク生成のための一般的なフレームワークである。 最近開発された統計リレーショナル学習モデルであるヒンジロスマルコフ確率場(HL-MRF)を用いた柔軟なMMSBモデル、textitStruct-MMSBを提案する。 我々のモデルは、観測された特徴と会員分布の複雑な組み合わせとして符号化された有意義な潜伏変数を用いて、実世界のネットワークにおける潜伏特性を学習することができる。
  論文  参考訳（メタデータ） (2020-02-21T19:32:32Z)

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。