論文の概要: Neural ODE enhanced linear mixed effect models for estimating complex association patterns of time-varying covariates with the marker trajectory
- arxiv url: http://arxiv.org/abs/2608.29714v1
- Date: Sun, 30 Aug 2026 10:45:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.051118
- Title: Neural ODE enhanced linear mixed effect models for estimating complex association patterns of time-varying covariates with the marker trajectory
- Title（参考訳）: 時間変化共変量とマーカー軌道との複雑な関連パターン推定のためのニューラルODE強化線形混合効果モデル
- Abstract要約: 本稿では,線形混合効果フレームワークにニューラル正規微分方程式(Neural Ordinary Differential Equation,Neural ODE)を組み込むニューラルODE-LMMを提案する。
この方法では、BMIの軌跡依存的な関連と、認知的低下を伴うグルコースの断食が明らかにされる。
- 参考スコア（独自算出の注目度）: 0.3420768233632066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Longitudinal cohort studies produce repeated data that enable the assessment of time-varying association patterns between exposures and health outcomes. Classical linear mixed-effects models (LMMs) can accommodate a large variety of association patterns while accounting for the irregularly spaced, partially observed measurement. But they require the analyst to pre-specify the functional form linking the exposure history to the outcome. We propose the Neural ODE-LMM, which embeds a Neural Ordinary Differential Equation (Neural ODE) within the linear mixed-effects framework: a learned vector field encodes covariate trajectories into a continuous-time latent state that drives both the fixed- and random-effect design, while preserving the standard LMM observation model. This retains classical likelihood-based inference while learning complex, potentially cumulative, covariate effects flexibly. All parameters are estimated by maximising a penalised marginal likelihood. To quantify covariate effects, we introduce contrasts of counterfactual predictions that compare the expected outcome under alternative covariate trajectories with variance estimated via the delta method. In simulations, the model recovers both instantaneous and cumulative-burden effects without prior specification of the functional form. Applied to the Trois-Cités (3C) cohort, a population-based study of 7{,}324 participants, the method reveals trajectory-dependent associations of BMI and fasting glucose with cognitive decline.
- Abstract（参考訳）: 縦断コホート研究は、暴露と健康結果の間の時間変化の関連パターンを評価できる反復的なデータを生成する。
古典線形混合効果モデル(LMM)は、不規則に空間化され、部分的に観察される測定を考慮に入れながら、様々な関連パターンに対応できる。
しかし、それらは、露出履歴と結果とをリンクする機能フォームを事前に指定する必要がある。
本稿では,線形混合効果フレームワークにニューラル正規微分方程式(Neural Ordinary Differential Equation,Neural ODE)を組み込んだニューラルODE-LMMを提案する。
これは古典的な確率に基づく推論を維持し、複雑な、潜在的に累積的、共変量効果を柔軟に学習する。
すべてのパラメータは、ペナル化された限界確率を最大化することによって推定される。
共変量効果を定量化するために, 代替共変量トラジェクトリによる予測結果とデルタ法で推定されるばらつきとを比較する, 反実予測のコントラストを導入する。
シミュレーションでは、モデルが関数形式の事前仕様なしで即時および累積バーデン効果を回復する。
人口ベースの7{,}324人の調査であるTrois-Cités(3C)コホートに適用すると、BMIの軌道依存的な関連と認知低下を伴うグルコースの断食が明らかになる。
関連論文リスト
- Multimodal Empirical Bayes Variational Autoencoders for Joint Longitudinal and Time-to-Event Modeling [0.0]
実験的なベイズ変分オートエンコーダ (EB-VAE) フレームワークを, 結合長手および時間-イベントモデリングに拡張する。
このフレームワークは、前述した共条件の経験的ベイズによって正規化された潜在個人効果を用いて、個人間の変動を表す。
ハイブリッドデコーダは従来報告された非線形混合効果推定値と広く一致した処理効果パラメータを復元した。
論文 参考訳（メタデータ） (2026-07-15T16:13:14Z) - Integrating Neural Encoders in Bayesian Generalized Linear Mixed Models for Multimodal Data [2.566287700129649]
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。
論文 参考訳（メタデータ） (2026-07-06T04:01:22Z) - 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) - Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time [0.0]
時間的介入を伴う潜時状態空間モデルでは、観測データから潜時力学の観測可能性が必要であることを示す。
因果予測のための観測可能な正規形のニューラル ODE (ObsNODEs) モデルを提案する。
論文 参考訳（メタデータ） (2026-04-28T19:18:42Z) - Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood [0.0]
本研究では,従来の単一モデルアプローチの制約を克服する目的で設計された,予測因果推論のための統合フレームワークを提案する。
具体的には、空間的健康状態推定のための隠れマルコフモデルと、時間的結果の軌跡を捉えるためのマルチタスクとマルチグラフ畳み込みネットワーク(MTGCN)を組み合わせる。
有用性を示すために,がん,認知症,パーキンソン病などの臨床領域に焦点を当て,治療効果を直接観察することが困難である。
論文 参考訳（メタデータ） (2025-07-11T03:11:15Z) - Prediction of cancer dynamics under treatment using Bayesian neural networks: A simulated study [0.0]
我々は,治療中の癌動態を予測するために,サブポピュレーション動態の階層的ベイズモデルを構築した。
多発性骨髄腫 (MM) では, 血清M蛋白が腫瘍負担の指標としてよく知られている。
論文 参考訳（メタデータ） (2024-05-23T12:47:19Z) - 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) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z)
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。