論文の概要: LaMe: a Joint Latent Mediation Framework for High-Dimensional Systems
- arxiv url: http://arxiv.org/abs/2611.18180v1
- Date: Fri, 13 Nov 2026 13:48:30 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:23:01.780432
- Title: LaMe: a Joint Latent Mediation Framework for High-Dimensional Systems
- Title(参考訳): LaMe: 高次元システムのための統合潜在メディエーションフレームワーク
- Abstract要約: 我々は,少数の潜伏変数を通して高次元露光中間子出力系を要約する連立線形ガウスフレームワークであるLaMeを開発した。
本研究は,提案手法が潜伏媒介者を完全に捉えているという明示的な仮定の下で,自然の直接的および間接的効果を同定する。
4つの実世界のアプリケーションは、コンパクトな潜在表現を持つ競合予測性能を示す。
- 参考スコア(独自算出の注目度): 1.1899559337707113
- License:
- Abstract: Mediation analysis seeks to understand how an exposure influences an outcome through intermediate variables. However, as increasingly rich datasets become available, hundreds to thousands of potential mediators make these systems difficult to model and hard to interpret. Latent-variable approaches offer a natural way to accommodate these high-dimensional settings. However, existing latent mediation methods face limitations, including overparameterization, biased inference, or limited scalability. We develop LaMe, a joint linear-Gaussian framework that summarizes a high-dimensional exposure-mediator-outcome system through a small number of latent variables. We identify natural direct and indirect effects under an explicit assumption that the manifest measurements fully capture the latent mediators, and characterize conditions under which the latent representation effectively restricts the observed cross-covariance structure. Simulations assess recovery of observed association parameters, natural effects, and manifest features associated with latent mediation pathways across a range of challenging settings. Four real-world applications demonstrate competitive predictive performance with compact latent representations, including single-dimensional representations of biomarker and proteomic measurements. Together, these results establish LaMe as a practical framework for estimating and summarizing multivariate mediation systems under explicit structural and measurement assumptions.
- Abstract(参考訳): メディエーション分析は、露光が中間変数を通して結果にどのように影響するかを理解する。
しかし、ますますリッチなデータセットが利用可能になるにつれて、数十から数千の潜在的な仲介者がこれらのシステムをモデル化し難く、解釈し難いものにしている。
潜在変数アプローチは、これらの高次元設定に対応する自然な方法を提供する。
しかし、既存の潜伏媒介手法は、過パラメータ化、バイアス付き推論、スケーラビリティの制限など、制限に直面している。
我々は,少数の潜伏変数を通して高次元露光中間子出力系を要約する連立線形ガウスフレームワークであるLaMeを開発した。
本研究は,潜在媒介者を完全に捉えているという明示的な仮定の下で,自然の直接的および間接的効果を同定し,潜在表現が観測された相互共分散構造を効果的に制限する条件を特徴付ける。
シミュレーションは、観察された関連パラメータ、自然効果、および様々な困難な状況において潜伏する媒介経路に関連する特徴の回復を評価する。
実世界の4つの応用は、バイオマーカーの1次元表現やプロテオミクス測定を含む、コンパクトな潜在表現による競合予測性能を示す。
これらの結果は、明示的な構造的および測定的仮定の下で多変量媒介系を推定および要約するための実践的な枠組みとしてLaMeを確立した。
関連論文リスト
- A Deep Latent Variable Framework for Jointly Modeling Missingness, Measurement Error, and Heterogeneity [1.2716195762843876]
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。
論文 参考訳(メタデータ) (2026-08-30T20:56:57Z) - RAMP: Recognition parametrisation by Amortised Message Passing [6.969815276025336]
RAMPは、柔軟で非線形で、償却されたメッセージパッシングフレームワークを学習することで、潜在構造を暗黙的に定義する手法である。
複素高次元データに作用する表現的非線形モデルにおいて,RAMPは潜在変数分布の効率よく復元できることを示す。
論文 参考訳(メタデータ) (2026-07-21T09:13:29Z) - Biologically Informed Deep Neural Networks for Multi-Omic Integration, Pathway Activity Inference and Risk Stratification in Cancer [8.562236981868866]
既存のアプローチは、しばしばモデル解釈可能性と表現能力のトレードオフに直面します。
経路インフォームドアーキテクチャによる事前知識を組み込んだマルチオミクス設定のためのパスウェイアクティビティオートエンコーダについて報告する。
本フレームワークは乳癌の文脈で適用され,生存予測とサブタイプ分類で評価された。
論文 参考訳(メタデータ) (2026-07-06T16:47:18Z) - Explaining multimodal LLMs via intra-modal token interactions [55.27436637894534]
MLLM(Multimodal Large Language Models)は、様々な視覚言語タスクにおいて顕著な成功を収めているが、その内部決定機構は十分に理解されていない。
モーダル内相互作用を利用した解釈可能性の向上を提案する。
論文 参考訳(メタデータ) (2025-09-26T14:39:13Z) - Joint Multimodal Transformer for Emotion Recognition in the Wild [49.735299182004404]
マルチモーダル感情認識(MMER)システムは、通常、単調なシステムよりも優れている。
本稿では,キーベースのクロスアテンションと融合するために,ジョイントマルチモーダルトランス (JMT) を利用するMMER法を提案する。
論文 参考訳(メタデータ) (2024-03-15T17:23:38Z) - Mapping the Multiverse of Latent Representations [17.2089620240192]
PRESTOは、潜在表現に依存する機械学習モデルのマルチバースをマッピングするための、原則化されたフレームワークである。
我々のフレームワークは、多種多様な機械学習手法の組み合わせから生じる潜伏空間を特徴付けるために永続的ホモロジーを使用する。
論文 参考訳(メタデータ) (2024-02-02T15:54:53Z) - Variable Importance Matching for Causal Inference [73.25504313552516]
これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。
Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。
LASSO を用いて Model-to-Match フレームワークを運用する。
論文 参考訳(メタデータ) (2023-02-23T00:43:03Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z)
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。