論文の概要: HyperNSDE: Personalized Neural SDEs for Joint Static-Longitudinal Clinical Data Generation
- arxiv url: http://arxiv.org/abs/2610.07383v1
- Date: Mon, 05 Oct 2026 20:54:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.660179
- Title: HyperNSDE: Personalized Neural SDEs for Joint Static-Longitudinal Clinical Data Generation
- Title（参考訳）: HyperNSDE: 静的長期臨床データ生成のためのパーソナライズされたニューラルSDE
- Abstract要約: HyperNSDEは、ハイパーネットワークを通して静的な患者表現に潜時SDEを条件付ける連続時間生成モデルである。
観測時間は潜在状態依存的な強度過程を通じて共同でモデル化され、不規則経路の訓練は決定論的・確率的経路分解によって安定化される。
シミュレーションおよび実際の臨床データセットの実験では、観測時の忠実度と競争性能が向上し、マッチンググリッド分析では、予測と相関の指標が観測グリッドの規則性と軌道の滑らかさに影響されることが示されている。
- 参考スコア（独自算出の注目度）: 5.228101935101477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synthetic patient data generation is a promising solution to the dual challenge of data scarcity and privacy constraints in healthcare machine learning. Realistic synthesis of patient-level clinical data requires jointly modeling heterogeneous static covariates, irregularly sampled longitudinal trajectories, and informative observation times - three tightly coupled components in practice yet rarely addressed together. We propose HyperNSDE, a continuous-time generative model that conditions a latent Neural SDE on static patient representations through a hypernetwork, allowing baseline characteristics to shape trajectory evolution beyond the initial condition without requiring a trajectory encoder, while stochastic latent dynamics capture realistic variability in generated paths. Observation times are modeled jointly through a latent-state-dependent intensity process, and training on irregular stochastic paths is stabilized via a deterministic-stochastic path decomposition with a non-adversarial signature-kernel objective. Experiments on simulated and real clinical datasets show improved observation-time fidelity and competitive performance, while matched-grid analyses reveal that forecasting and correlation metrics are affected by observation-grid regularity and trajectory smoothness.
- Abstract（参考訳）: 合成患者データ生成は、医療機械学習におけるデータの不足とプライバシー制約という2つの課題に対する、有望な解決策である。
患者レベルの臨床データの現実的な合成には、異質な静的な共変体、不規則にサンプリングされた縦方向の軌跡、情報的観察時間(実際には3つの密結合したコンポーネント)を共同でモデリングする必要がある。
提案するHyperNSDEは,静的な患者表現に潜時ニューラルSDEを条件とした連続時間生成モデルであり,トラジェクティブエンコーダを必要とせず,ベースライン特性がトラジェクティブエンコーダを必要とせずにトラジェクトリ進化を形作ることができる一方で,確率的潜時ダイナミクスは生成された経路における現実的な変動を捉える。
観測時間は潜在状態依存的な強度過程を通じて共同でモデル化され、不規則な確率経路の訓練は、非逆シグネチャカーネル目的による決定論的確率経路分解によって安定化される。
シミュレーションおよび実際の臨床データセットの実験では、観測時の忠実度と競争性能が向上し、マッチンググリッド分析では、予測と相関の指標が観測グリッドの規則性と軌道の滑らかさに影響されることが示されている。
関連論文リスト
- 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) - GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。
PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。
これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
論文 参考訳（メタデータ） (2026-03-01T09:30:11Z) - Alzheimers Disease Progression Prediction Based on Manifold Mapping of Irregularly Sampled Longitudinal Data [12.210689327265072]
アルツハイマー病(AD)の進行は、不規則にサンプリングされた縦型磁気共鳴画像(sMRI)データからモデル化される。
提案手法はまず,高次元sMRIから抽出した特徴を多様体空間に投射し,本質的な疾患進行の形状を保存する。
提案手法は,病状予測と認知スコア回帰の両面で,最先端モデルよりも一貫して優れている。
論文 参考訳（メタデータ） (2025-11-25T10:28:37Z) - Generative Modeling of Clinical Time Series via Latent Stochastic Differential Equations [0.5753241925582826]
本稿では,臨床時系列を基礎となる制御力学系の離散時間部分観察とみなす生成的モデリングフレームワークを提案する。
我々のアプローチは、状態推定とパラメータ学習を行いながら、モード依存エミッションモデルを用いたニューラルSDEによる潜時ダイナミクスをモデル化する。
この定式化は自然に観察をサンプリングし、複雑な非線形相互作用を学び、疾患の進行と測定ノイズの相補性を捉える。
論文 参考訳（メタデータ） (2025-11-20T14:50:49Z) - Improving Clinical Dataset Condensation with Mode Connectivity-based Trajectory Surrogates [15.665823714894605]
State-of-the-art data condensation (DC)は、プライバシを保存する合成データセットの作成を可能にする。
DC法は、実データおよび合成データに基づいて訓練されたモデルのトレーニングダイナミクスを整列させることにより、合成データを監督する。
これらの制約に対処するため、全SGD軌道をスムーズで低損失なパラメトリックサロゲートに置き換える。
これらのモード接続経路は、勾配を安定化し、収束を加速し、密度の高い軌道記憶の必要性を排除する、ノイズフリーで低曲率の監視信号を提供する。
論文 参考訳（メタデータ） (2025-10-07T11:22:27Z) - SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。
SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
論文 参考訳（メタデータ） (2024-09-19T12:35:25Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。
NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。
本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
論文 参考訳（メタデータ） (2023-06-24T17:01:51Z) - 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) - Continuous Forecasting via Neural Eigen Decomposition of Stochastic
Dynamics [47.82509795873254]
本稿では,スパース観測と適応力学を用いた逐次予測のためのニューラル固有SDEアルゴリズムを提案する。
NESDEは、スパース観測による効率的な頻繁な予測を可能にするために、力学モデルに固有分解を適用する。
我々は,MIMIC-IVデータセットにおけるヘパリン投与後の血液凝固の患者適応予測を初めて行った。
論文 参考訳（メタデータ） (2022-01-31T22:16:50Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。