論文の概要: Deep Neural Mixed Models for Nonlinear Longitudinal Prediction with Subject-Specific Heterogeneity
- arxiv url: http://arxiv.org/abs/2610.15323v1
- Date: Sun, 11 Oct 2026 03:57:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 01:37:15.660357
- Title: Deep Neural Mixed Models for Nonlinear Longitudinal Prediction with Subject-Specific Heterogeneity
- Title（参考訳）: 主観的不均一性を考慮した非線形縦方向予測のためのディープニューラルミックスモデル
- Abstract要約: 縦断的健康データは、しばしば対象物内相関、主観的不均一性、複雑な非線形予測-応答関係を示す。
深層ニューラルネットワークを用いて非線形集団レベルの関係を学習することにより,GLMMフレームワークを拡張したDGNMM(Deep Generalized Neural Network Mixed Model)を提案する。
このモデルは,ニューラルネットワークパラメータと主観的効果を別々に正規化することにより,予測指向の最適化を用いて推定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Longitudinal health data often exhibit within-subject correlation, subject-specific heterogeneity, and complex nonlinear predictor--response relationships that may not be adequately captured by conventional mixed models. We propose a Deep Generalized Neural Network Mixed Model (DGNMM) that extends the GLMM framework by using a deep neural network to learn nonlinear population-level relationships while incorporating directly trainable, regularized subject-specific effects to capture individual heterogeneity. The model is estimated using prediction-oriented stochastic optimization with separate regularization of the neural-network parameters and subject-specific effects. This formulation allows us to investigate when increased nonlinear representation capacity provides additional predictive benefit in the presence of subject-specific heterogeneity. A simulation study varies population-level nonlinearity and subject-specific heterogeneity and compares DGNMM with GLMM, artificial neural network (ANN), Maity--Pal (MP), and GNMM alternatives for continuous and binary longitudinal outcomes. In the real-data application, DGNMM achieved the lowest MSPE for continuous depression and anxiety prediction, while alternative models remained competitive for binary outcomes. Exploratory subject-level analyses showed heterogeneous predictive gains across individuals, but the magnitude of the estimated subject-specific effects was not significantly associated with predictive gain. Overall, increased nonlinear representation capacity was most beneficial for continuous prediction under nonlinear response structures, while greater subject-specific heterogeneity did not systematically yield larger predictive gains.
- Abstract（参考訳）: 縦方向の健康データは、従来の混合モデルでは適切に捉えられないような内的・内的相関、主観的不均一性、複雑な非線形予測-応答関係を示すことが多い。
深層ニューラルネットワークを用いて非線形集団レベルの関係を学習し,個々の不均一性を捉えるために,直接訓練可能な正規化対象特化効果を取り入れた,GLMMフレームワークを拡張したDGNMM(Deep Generalized Neural Network Mixed Model)を提案する。
予測指向確率最適化を用いて,ニューラルネットワークパラメータと主観的効果を別々に正規化して推定する。
この定式化により、非線形表現能力の増大が、対象特異な不均一性の存在にさらなる予測的利益をもたらすかどうかを調査できる。
DGNMMとGLMM、人工ニューラルネットワーク(ANN)、Maity-Pal(MP)、GNMMによる連続的および二項的結果の比較を行った。
実データアプリケーションでは、DGNMMは持続的うつ病と不安予測において最低のMSPEを達成し、代替モデルはバイナリ結果に対して競争力を維持した。
探索的対象レベルの分析では個人間で異質な予測利得を示したが、推定対象種別効果の大きさは予測利得と有意な相関はみられなかった。
全体的な非線形表現能力の増大は, 非線形応答構造下での連続予測において最も有益であった。
関連論文リスト
- 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) - Bayesian Neural Networks vs. Mixture Density Networks: Theoretical and Empirical Insights for Uncertainty-Aware Nonlinear Modeling [2.0797819204842036]
本研究では,不確実性を考慮した非線形回帰に対するベイズニューラルネットワーク(BNN)と混合密度ネットワーク(MDN)のアプローチを比較する。
理論的には、H"古い滑らかさ条件下での収束率と誤差境界を導出し、MDNがより高速なクルバック・リーブラー(KL)分散収束を実現することを示す。
本研究は, 非線形システムにおける不確実性を考慮したモデリングの指針として, 後進的および確率的確率論的学習の相補的強みを明らかにした。
論文 参考訳（メタデータ） (2025-10-28T22:00:30Z) - A Non-negative VAE:the Generalized Gamma Belief Network [49.970917207211556]
ガンマ信念ネットワーク(GBN)は、テキストデータ中の多層解釈可能な潜在表現を明らかにする可能性を実証している。
本稿では、一般化ガンマ信念ネットワーク(Generalized GBN)を導入し、元の線形生成モデルをより表現力のある非線形生成モデルに拡張する。
また、潜伏変数の後方分布を近似する上向きのワイブル推論ネットワークを提案する。
論文 参考訳（メタデータ） (2024-08-06T18:18:37Z) - Toward the Identifiability of Comparative Deep Generative Models [7.5479347719819865]
比較深部生成モデル(DGM)における識別可能性の理論を提案する。
これらのモデルは、一般的な混合関数のクラスにおいて識別性に欠けるが、混合関数が断片的アフィンであるときに驚くほど識別可能であることを示す。
また, モデルミス種別の影響についても検討し, 従来提案されていた比較DGMの正則化手法が, 潜伏変数の数が事前に分かっていない場合に, 識別可能性を高めることを実証的に示す。
論文 参考訳（メタデータ） (2024-01-29T06:10:54Z) - 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) - Nonlinear Permuted Granger Causality [0.6526824510982799]
グランガー因果推論(Granger causal inference)は、経済学から神経科学まで幅広い分野において用いられる、論争的だが広範な手法である。
サンプル外比較を可能にするために、共変集合の置換を用いて関数接続の尺度を明示的に定義する。
変分法の性能を, シミュレーションによる変分選択, ナイーブ置換, 省略技術と比較した。
論文 参考訳（メタデータ） (2023-08-11T16:44:16Z) - Learning Linear Causal Representations from Interventions under General
Nonlinear Mixing [52.66151568785088]
介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。
これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
論文 参考訳（メタデータ） (2023-06-04T02:32:12Z) - Monotonicity and Double Descent in Uncertainty Estimation with Gaussian
Processes [52.92110730286403]
限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。
我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。
また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
論文 参考訳（メタデータ） (2022-10-14T08:09:33Z) - Causal Inference via Nonlinear Variable Decorrelation for Healthcare
Applications [60.26261850082012]
線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。
我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
論文 参考訳（メタデータ） (2022-09-29T17:44:14Z) - Gaussian Latent Dirichlet Allocation for Discrete Human State Discovery [1.057079240576682]
離散状態発見問題に対する教師なし確率モデルであるGaussian Latent Dirichlet Allocation (GLDA)を提案する。
GLDAは、自然言語処理において人気のあるトピックモデルであるLatent Dirichlet Allocation (LDA)から個々の混合構造を借りている。
両データセットにおいて,GLDAを学習したクラスウェイトは,臨床評価したうつ病,不安,ストレススコアと,ベースラインのGMMよりも有意に高い相関性を示した。
論文 参考訳（メタデータ） (2022-06-28T18:33:46Z)
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。