論文の概要: Integrating Neural Encoders in Bayesian Generalized Linear Mixed Models for Multimodal Data

• arxiv url: http://arxiv.org/abs/2607.04647v1
• Date: Mon, 06 Jul 2026 04:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.033395
• Title: Integrating Neural Encoders in Bayesian Generalized Linear Mixed Models for Multimodal Data
• Title（参考訳）: マルチモーダルデータのためのベイズ一般化線形混合モデルにおけるニューラルエンコーダの統合
• Authors: Yuankang Zhao, Youngsoo Baek, Felipe A. Medeiros, Samuel Berchuck, Matthew M. Engelhard,
• Abstract要約: 一般化線形混合モデル(GLMM)のための条件付きベイズ設計法を開発した。 我々は、GLMMの目的と協調して1つ以上のモダリティ固有のニューラルエンコーダを学習し、学習された表現に条件付きGLMMパラメータに対して分散補正段階MCMCを実行する。 このフレームワークは、予測性能を犠牲にすることなく、個人レベルと人口レベルの各モードの相対的重要性を微妙に評価することができる。
• 参考スコア（独自算出の注目度）: 2.566287700129649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scalable Bayesian inference for generalized linear mixed models (GLMMs) provides uncertainty-aware analysis of correlated longitudinal data, but existing scalable approaches largely assume low-dimensional tabular predictors and do not directly accommodate high-dimensional modalities such as images and text. We address this limitation by learning one or more modality-specific neural encoders jointly with a GLMM objective, then performing variance-corrected stochasticgradient MCMC for the GLMM parameters conditional on the learned representation. This conditional-Bayes design combines supervised representation learning with posterior uncertainty quantification for population-level effects, subjectspecific heterogeneity, and modality-level random slopes. The resulting model preserves interpretable fixed and random effects for structured covariates and learned modalities while scaling gracefully to large longitudinal datasets. In simulation studies, our method recovers posterior means and variance estimates from full-data MCMC benchmarks after covariance correction. We further evaluate uncertainty through parameter-level interval coverage in simulations and predictive calibration on held-out data. Applications to glaucoma progression and adolescent mental health demonstrate that the framework allows nuanced assessment of the relative importance of each modality on both individual and population levels without sacrificing predictive performance.
• Abstract（参考訳）: 一般化線形混合モデル(GLMM)に対するスケーラブルベイズ推論は、相関長手データの不確実性を考慮した解析を提供するが、既存のスケーラブルなアプローチは、主に低次元の表層予測器を前提としており、画像やテキストのような高次元のモダリティを直接対応しない。 この制限は、GLMMの目的と協調して1つ以上のモダリティ固有のニューラルエンコーダを学習し、学習された表現に条件付きGLMMパラメータに対して分散補正確率階調MCMCを実行することで解決する。 この条件付きベイズ設計は、教師付き表現学習と、集団レベルの効果、主観的不均一性、モダリティレベルのランダムスロープに対する後続不確実性定量化を組み合わせたものである。 得られたモデルは、構造化された共変量に対する解釈可能な固定およびランダムな効果を保存し、大きな長手データセットに優雅にスケーリングしながら、モダリティを学習する。 シミュレーション実験では,共分散補正後の完全データMCMCベンチマークから後方平均値と分散推定値を復元する。 さらに,パラメータレベルの間隔カバレッジと,保持データに対する予測キャリブレーションによる不確実性の評価を行った。 緑内障の進行と思春期の精神健康への応用は、この枠組みが予測性能を犠牲にすることなく、個人および人口レベルで各モダリティの相対的重要性を微妙に評価できることを示している。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• How Much Data Is Enough? Uniform Convergence Bounds for Generative & Vision-Language Models under Low-Dimensional Structure [1.560394526607184]
  現代の生成的・視覚言語モデル(VLM)は、科学的・医学的な意思決定支援にますます利用されている。 適度なデータを持つ強い経験的結果にもかかわらず、そのような予測が入力、クラス、サブポピュレーションにわたって均一に一般化されるのかどうかは不明である。 我々は、この疑問を有限サンプルの観点から研究し、次のように問いかける: 構造的仮定の下で、VLMベースの予測器は、実用的なサンプルサイズで均一に正確で校正された振る舞いを達成できるのか?
  論文  参考訳（メタデータ） (2025-12-28T23:16:22Z)
• Total Robustness in Bayesian Nonlinear Regression for Measurement Error Problems under Model Misspecification [7.233732121762458]
  一般非線形回帰における3つの課題すべてに対処する完全ロバスト性をターゲットにした最初のベイズ的非パラメトリックフレームワークを提案する。 シミュレーションと実世界の2つの研究では、推定誤差の低減と、誤特定に対する推定感度の低減が示されている。 したがって、このフレームワークは、データとモデルが共同で不完全である場合に、信頼できる回帰のための実用的で解釈可能なパラダイムを提供する。
  論文  参考訳（メタデータ） (2025-10-03T15:58:40Z)
• Subject-Adaptive Sparse Linear Models for Interpretable Personalized Health Prediction from Multimodal Lifelog Data [18.017666750186336]
  SASLは、パーソナライズされた健康予測のために明示的に設計された解釈可能なモデリングアプローチである。 本研究では, 平均F1スコアを最大化するために, 平均F1スコアを最大化するためにレグレッション-then-thresholdingアプローチを開発する。 本質的に困難な予測のために、SASLは信頼性ベースのゲーティングを通じて、コンパクトなLightGBMモデルの出力を選択的に組み込む。
  論文  参考訳（メタデータ） (2025-10-03T09:17:57Z)
• Semi-supervised Clustering Through Representation Learning of Large-scale EHR Data [5.591260685112265]
  SCOREは、患者埋め込みを通じて多領域の疾患プロファイルをキャプチャする半教師付き表現学習フレームワークである。 大規模データの計算課題に対処するため、ハイブリッド期待最大化(EM)とガウス変分近似(GVA)アルゴリズムを導入している。 分析の結果,ラベル付きデータの導入により精度が向上し,ラベル不足に対する感度が低下することがわかった。
  論文  参考訳（メタデータ） (2025-05-27T05:20:17Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。