論文の概要: DTVEM-RE: A Hierarchical Random-Effects Extension of the Differential Time-Varying Effect Model for Person-Specific Multi-Lag Estimation in Intensive Longitudinal Data
- arxiv url: http://arxiv.org/abs/2606.14116v1
- Date: Fri, 12 Jun 2026 04:54:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.751313
- Title: DTVEM-RE: A Hierarchical Random-Effects Extension of the Differential Time-Varying Effect Model for Person-Specific Multi-Lag Estimation in Intensive Longitudinal Data
- Title（参考訳）: DTVEM-RE:集中縦断データにおける個人別マルチラグ推定のための時間変化効果モデルの階層的拡張の影響
- Authors: Amartya Bhattacharya,
- Abstract要約: DTVEM-REは、各人がそれぞれ独自のラグ係数を持つことができる拡張である。
これはDTVEMスタイルのラグ検出の最初の個人固有の実装である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Differential Time-Varying Effect Model (DTVEM) of Jacobson et al. (2019) is a popular tool for finding the best time lag in intensive longitudinal data, but it assumes everyone shares the same lag structure. The original authors named fixing this as future work, and it clashes with the premise of modern clinical research, which is that people differ. We present DTVEM-RE, an extension that lets each person have their own lag coefficients, with two versions of the confirmatory step: a discrete-time hierarchical Bayesian VAR in Stan, which pools across people and gives calibrated uncertainty, and a continuous-time per-person Ornstein-Uhlenbeck model in ctsem, which handles unevenly spaced beeps directly. We report four results. A simulation shows the Bayesian version recovers the between-person spread tau_a with bias below 0.01 and coverage of 90 to 93 percent. On the Fisher et al. (2017) EMA dataset (N=40), person-specific lag-1 effects vary by an order of magnitude across three mood items, the Bayesian and GAMM estimates agree closely (r=0.87 to 0.92), and DTVEM-RE gives the best one-step-ahead prediction among four discrete-time methods. A multi-lag version shows all nine tau_k values have credible intervals excluding zero, and the lag where people differ most changes across items, something lag-1-only methods like mlVAR cannot detect. Finally, the two versions agree almost exactly on person-specific lag-1 estimates (r >= 0.995), differing only as shrinkage predicts. DTVEM-RE is, to our knowledge, the first person-specific implementation of DTVEM-style lag detection, and it contains standard DTVEM as a special case.
- Abstract（参考訳）: Jacobson et al (2019) の差分時間変動効果モデル (DTVEM) は、集中長手データの最良の時間ラグを見つけるのに人気があるツールであるが、全員が同じラグ構造を共有していると仮定している。
原作者は、この修正を将来の研究と名付け、現代臨床研究の前提と矛盾している。
DTVEM-REは、各人がそれぞれ独自のラグ係数を持つことができる拡張で、Stanの離散時間階層型ベイズVARとctsemのOrnstein-Uhlenbeckモデルで、不均一な空間のビープを直接処理する。
4つの結果が報告される。
ベイズ版では、0.01未満の偏りと90～93%のカバレッジを持つ人間拡散タウ_aが復元されている。
Fisher et al (2017) EMA データセット (N=40) では、個人固有のlag-1 効果は3つのムード項目で桁違いに変化し、ベイズ推定とGAMM推定は密接に一致している(r=0.87 から 0.92)。
マルチラグバージョンでは、9つのtau_k値は0を除く信頼できる間隔を持ち、アイテム間で最も違いがあるラグは、mlVARのようなlag-1のみのメソッドでは検出できない。
最後に、この2つのバージョンは個人固有のlag-1推定値(r >= 0.995)にほぼ正確に一致し、収縮が予測されるときにのみ異なる。
DTVEM-REは、私たちの知る限り、DTVEMスタイルのラグ検出の最初の個人固有の実装であり、特殊なケースとして標準のDTVEMを含んでいる。
関連論文リスト
- ChessMimic: Per-Rating Transformer Models for Human Move, Clock, and Outcome Prediction in Online Blitz Chess [0.08460698440162888]
ChessMimicは、移動、思考時間、結果予測のための3つのエンコーダのみのトランスフォーマーのシステムである。
Lichess Rated Blitzのゲームでは、ChessMimicの人間の動き予測精度はEloの各バンドでMaia-2を上回っている。
公開デモは1e4.aiで、コード、バンド単位の重み付け、C++データフィルタパイプラインコードをGitHubでリリースしています。
論文 参考訳（メタデータ） (2026-06-03T05:42:39Z) - DADF: A Distribution-Aware Debiasing Framework for Watch-Time Regression in Recommender Systems [49.99655020662206]
DADFは、ウォッチタイムレグレッションのための分散対応のデバイアスフレームワークである。
公開ショートビデオベンチマークと大規模産業ランキングシステムを用いたDADFの評価を行った。
論文 参考訳（メタデータ） (2026-05-18T05:14:50Z) - TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。
現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。
Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
論文 参考訳（メタデータ） (2026-05-11T13:23:14Z) - Sparse Regression under Correlation and Weak Signals: A Reproducible Benchmark of Classical and Bayesian Methods [1.6679662639178268]
合成データに対する6つのスパース回帰法をベンチマークした。
ベイズ法は予測誤差(MSE 72 vs. 108-267)で勝利し、ホースシューは95%近くをカバーしている(94.8%)。
可変選択の場合、F1 0.47のラッソとスパイク・アンド・スラブのネクタイは、後部が不要な場合に事実上のデフォルトとなる。
論文 参考訳（メタデータ） (2026-04-04T15:46:44Z) - Lag Selection for Univariate Time Series Forecasting using Deep Learning: An Empirical Study [0.393259574660092]
我々は、グローバルアプローチで訓練されたディープラーニング手法、すなわち、複数の単変量時系列からなるデータセットに焦点を当てる。
その結果,ラグサイズは正確な予測のパラメータであることがわかった。
クロスバリデーションアプローチは、ラグ選択に最適なパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-05-18T09:31:54Z) - Hawkes Processes with Delayed Granger Causality [9.664517084506718]
多変量ホークスプロセスに基づく遅延グランガー因果効果を明示的にモデル化する。
時間ラグの後方分布を推測し、この分布が様々なシナリオでどのように変化するかを理解する。
我々は,合成データと実データに基づいて,我々のモデルの事象予測と時間ラグ推定精度を実証的に評価した。
論文 参考訳（メタデータ） (2023-08-11T12:43:43Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate
Time Series [0.0]
時系列の異常検出,特に多変量時系列(複数センサ付き時系列)は,ここ数年にわたって注目されてきた。
ニューラルネットワークを含む既存の方法は、タイムスタンプの観点からのみ、関係に集中する。
提案手法では,グラフニューラルネットワークから派生したGATを用いて,センサ間の接続を求める。
また,VAE(Variational Auto-Encoder)による予測損失と復元損失を両立させる手法も提案している。
論文 参考訳（メタデータ） (2022-11-22T10:17:42Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。
本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
論文 参考訳（メタデータ） (2021-04-29T15:49:01Z) - Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel
EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。
専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。
専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文 参考訳（メタデータ） (2021-03-30T09:59:56Z)
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。