論文の概要: A Deep Latent Variable Framework for Jointly Modeling Missingness, Measurement Error, and Heterogeneity

• arxiv url: http://arxiv.org/abs/2608.30040v1
• Date: Sun, 30 Aug 2026 20:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.163462
• Title: A Deep Latent Variable Framework for Jointly Modeling Missingness, Measurement Error, and Heterogeneity
• Title（参考訳）: 欠失・測定誤差・不均一性を連成モデル化するための潜時変動フレームワーク
• Abstract要約: 本稿では, 欠落データ, 測定誤差, 集団の不均一性を両立する統一確率的枠組みを提案する。 提案手法は,新しい階層型木抽出変分オートエンコーダとパターン認識型潜在表現とキャリブレーションに基づく復調処理を統合した。 このフレームワークは、MCAR、MAR、MNARなどの欠落データメカニズムに対応し、サブグループ固有の、グローバルに共有される潜在構造を同時に学習する。
• 参考スコア（独自算出の注目度）: 1.2716195762843876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Missing data, measurement error, and population heterogeneity are pervasive challenges in analyzing data arising from modern observational studies and machine learning applications. Although these problems frequently coexist and interact, they are often treated separately in existing works. We propose a unified probabilistic framework that jointly addresses these issues utilizing deep latent variable representation. The proposed method integrates a novel hierarchical tree-routed variational autoencoder with pattern-aware latent representations and calibration-based denoising. The framework accommodates missing data mechanisms, including MCAR, MAR, and MNAR, while simultaneously learning subgroup-specific and globally shared latent structure. The introduced reconvergent routing mechanism enables selective parameters to be shared across related subpopulations, which offers flexibility as well as improved statistical efficiency. Simulation studies demonstrate substantial improvements over existing deep generative imputation approaches under complex heterogeneous missingness and measurement-error settings. The proposed framework provides a principled approach for learning from noisy and incomplete data in modern healthcare and other high-dimensional applications.
• Abstract（参考訳）: 欠落データ、測定誤差、人口の不均一性は、現代の観測研究や機械学習の応用から生じるデータを分析する上で、広範囲にわたる課題である。 これらの問題はしばしば共存し相互作用するが、既存の作品では別々に扱われることが多い。 本稿では,深層潜伏変数表現を用いて,これらの問題に共同で対処する統一確率的フレームワークを提案する。 提案手法は,新しい階層型木抽出変分オートエンコーダとパターン認識型潜在表現とキャリブレーションに基づく復調処理を統合した。 このフレームワークは、MCAR、MAR、MNARなどの欠落データメカニズムに対応し、サブグループ固有の、グローバルに共有される潜在構造を同時に学習する。 導入された再収束ルーティング機構により、関連するサブポピュレーション間で選択パラメータを共有できるようになる。 シミュレーション研究は、複雑な不均一な欠如と測定エラー設定の下で、既存の深部生成的計算手法よりも大幅に改善されていることを示す。 提案するフレームワークは,現代医療や他の高次元アプリケーションにおいて,ノイズや不完全なデータから学習するための原則的アプローチを提供する。

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)
• Hierarchical Inference and Closure Learning via Adaptive Surrogates for ODEs and PDEs [15.38864225184245]
  逆問題は、データに合うようにモデルを校正するタスクである。 我々は、異なるが関連する物理システムのコレクションからのデータを活用するための原則的方法論を開発する。 我々は、MLベースのクロージャモデルという形で、共有未知のダイナミクスを学習する。
  論文  参考訳（メタデータ） (2026-03-04T10:30:08Z)
• SCALAR: Self-Calibrating Adaptive Latent Attention Representation Learning [2.152549977410309]
  複雑な特徴相互作用を持つ高次元ヘテロジニアスデータは、従来の予測モデリングアプローチに重大な課題をもたらす。 本アーキテクチャでは,異なる特徴群を個別に処理するアダプティブカーネルベースのアテンション機構を導入している。 実験結果は、さまざまなデータセットにわたる最先端の手法と比較して、パフォーマンス指標が大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2025-10-18T12:41:18Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• A Unified Framework for Variable Selection in Model-Based Clustering with Missing Not at Random [6.19101012807196]
  本稿では,これらの課題を同時に解決するための統合フレームワークを提案する。 提案手法では,データ駆動型ペナルティ行列をクラスタリングに組み込んで,より柔軟な変数選択を実現する。 一定の規則性の下で、提案するフレームワークは、欠落したデータが存在する場合でも、クラスタリングの一貫性と一貫性の両方を達成することを実証する。
  論文  参考訳（メタデータ） (2025-05-25T11:08:43Z)
• Fréchet regression with implicit denoising and multicollinearity reduction [1.5771347525430772]
  Fr'echet回帰は、距離空間におけるモデル複素応答に線形回帰を拡張する。 本稿では,入力変数と複数応答の関係を明示的にモデル化するGlobal Fr'echet re gressionモデルの拡張について述べる。
  論文  参考訳（メタデータ） (2024-12-24T08:02:28Z)
• Counterfactual Fairness through Transforming Data Orthogonal to Bias [7.109458605736819]
  我々は新しいデータ前処理アルゴリズムOrthogonal to Bias (OB)を提案する。 OBは、連続的な敏感な変数群の影響を排除し、機械学習アプリケーションにおける反ファクトフェアネスを促進するように設計されている。 OBはモデルに依存しないため、幅広い機械学習モデルやタスクに適用できる。
  論文  参考訳（メタデータ） (2024-03-26T16:40:08Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)

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。