論文の概要: Longitudinal Random Forests for Sparse and Irregular Response Trajectories
- arxiv url: http://arxiv.org/abs/2607.21817v1
- Date: Thu, 23 Jul 2026 21:08:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.00132
- Title: Longitudinal Random Forests for Sparse and Irregular Response Trajectories
- Title（参考訳）: 不規則および不規則な反応軌道に対する縦断的ランダム森林
- Authors: Yangsheng Wang, Xiaotian Dai, Haoda Fu, Guifang Fu,
- Abstract要約: 縦断的研究はしばしばスパース、不規則、不等間隔の時間点でデータを収集する。
木に基づくアンサンブル機械学習と適応ノード幅長手軌道推定を併用した新しい縦ランダムフォレスト(LRF)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）: 1.5032776642313468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Longitudinal studies often collect data at sparse, irregular, and unequally spaced time points. Such heterogeneity is often driven by subject-specific covariates, yet existing methods have been restricted to a scalar endpoint value, completely neglecting the underlying response trajectories. We propose a novel Longitudinal Random Forest (LRF) framework that leverages tree-based ensemble machine learning with adaptive node-wise longitudinal trajectory estimation. The LRF framework makes five methodological contributions. it captures each subject's individual response trajectory while simultaneously accommodating within-node correlation, between-node heterogeneity, and nonlinear and interactive covariate effects. It introduces a novel trajectory-based splitting criterion that maximizes trajectory separation while incorporating a size-weighted penalty; it provides two variants, Principal Analysis by Conditional Expectation (LRF-PACE) and adaptive linear mixed-effects models (LRF-adaptiveLMM), which employ nonparametric and semiparametric node-wise smoothers, respectively, while learning covariate effects in a data-driven manner. It provides a comprehensive interpretation of covariates using both the classical trajectory-based permutation variable importance measure (PVIM) and a newly proposed finite-way interaction frequency count, and it not only predicts entire trajectories for new subjects but also forecasts future trajectories for existing subjects. Extensive simulation studies demonstrate that LRF achieves superior performance over several competing methods, even under severe sparsity. The practical significance of the LRF framework lies in its ability to address five important clinical questions.
- Abstract（参考訳）: 縦断的研究はしばしばスパース、不規則、不等間隔の時間点でデータを収集する。
このような異質性はしばしば主題固有の共変体によって駆動されるが、既存の手法はスカラーの終端値に制限されており、基礎となる応答軌道を完全に無視している。
木に基づくアンサンブル機械学習と適応ノード幅長手軌道推定を併用した新しい縦ランダムフォレスト(LRF)フレームワークを提案する。
LRFフレームワークは5つの方法論的な貢献をしている。
各被験者の反応軌跡を捉え、同時にノード内相関、ノード間の不均一性、非線形でインタラクティブな共変量効果を調節する。
サイズ重み付きペナルティを取り入れつつ、軌道分離を最大化する新しいトラジェクトリベースの分割基準を導入し、条件付き予測による主解析(LRF-PACE)と適応線形混合効果モデル(LRF-Adaptive LMM)の2つの変種を提供する。
これは、古典的軌跡に基づく変分変数重要度尺度(PVIM)と、新たに提案された有限方向相互作用周波数カウントの両方を用いて、共変量の包括的解釈を提供し、新しい被験者の軌跡全体を予測するだけでなく、既存の被験者の将来の軌跡を予測する。
大規模なシミュレーション研究により、LRFは厳しい間隔でもいくつかの競合する手法よりも優れた性能を発揮することが示された。
LRFフレームワークの実際的な重要性は、5つの重要な臨床問題に取り組む能力にある。
関連論文リスト
- On the Construction and Implications of Low-Loss Valleys in LoRA-based Bayesian Inference [12.367241512406656]
2つの変量を持つロラ空間において、セグメンテーションされたベジエ曲線パラメータ化であるLoRA-Curveを導入する。
曲線に沿った損失の経路的連続性とリプシッツ正則性を証明し、Qwen2.5 7Bによる推論と分類のベンチマークにおいて、線形摂動は損失障壁に遭遇することを示した。
平坦なミニマ摂動とジェンセン・シャノン分散正規化器を組み合わせることで、LoRA-Curveは性能を犠牲にすることなく予測分布の相互情報を測定できる。
論文 参考訳（メタデータ） (2026-05-28T08:24:45Z) - Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。
LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文 参考訳（メタデータ） (2026-05-27T23:48:01Z) - LEVDA: Latent Ensemble Variational Data Assimilation via Differentiable Dynamics [6.953554594702111]
本稿では,アンサンブル空間の変動スムーズなラテント・アンサンブル・データ・アシミレーション(LEVDA)を提案する。
随伴符号や補助観察から潜伏までのエンコーダを必要とせず、状態と未知のパラメータを同化する。
完全状態の4DEnVarに比べて、同化精度と計算効率が大幅に向上した。
論文 参考訳（メタデータ） (2026-02-23T00:54:59Z) - ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。
常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。
ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
論文 参考訳（メタデータ） (2026-02-07T10:19:36Z) - Adaptive Benign Overfitting (ABO): Overparameterized RLS for Online Learning in Non-stationary Time-series [0.0]
ABOは非常に正確で(ベースラインのカーネルメソッドと比較して)、20～40%のスピード改善を実現している。
結果は、安定したオンライン学習フレームワーク内で適応フィルタリング、カーネル近似、良性過剰適合をリンクする統一ビューを提供する。
論文 参考訳（メタデータ） (2026-01-29T15:58:01Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。
CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
論文 参考訳（メタデータ） (2025-09-29T19:50:19Z) - Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。
GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。
本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-07-16T02:24:21Z) - Semi-parametric Functional Classification via Path Signatures Logistic Regression [1.210026603224224]
本稿では,ベクトル値関数データを分類するための半パラメトリックフレームワークであるPath Signatures Logistic Regressionを提案する。
この結果は, 粗い経路理論を現代的な関数型データ解析に組み込むことの実用的, 理論的利点を浮き彫りにしたものである。
論文 参考訳（メタデータ） (2025-07-09T08:06:50Z) - Random forests for binary geospatial data [0.0]
既存のバイナリデータに対するランダムフォレストの実装では、地理空間や時系列設定に共通するデータ相関を明示的に説明することはできない。
最近の研究は、一般化最小二乗損失(GLS)を用いた空間共分散を含むランダム森林(RF)をRF-GLSに拡張している。
二進データの場合、GLS損失はGiniの不純物測度の拡張であり、後者は通常の最小二乗損失(OLS)と全く同じである。
一般化された第1段階からの平均関数のRF-GLS推定を組み込む新しいリンク変換手法を提案する。
論文 参考訳（メタデータ） (2023-02-27T14:34:33Z)
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。