从横向数据中推断多维度衰老速率
该论文提出了一种基于深度学习的方法,通过合成图像并考虑年龄和阿尔茨海默病的状态,来模拟特定对象的大脑衰老轨迹,并展示了该方法在神经退行性疾病研究中的应用潜力。
Dec, 2019
我们提出了一个灵活高效的潜变量模型,利用高斯过程捕捉样本与相关缺失模式之间的时间相关性,并构建可变分自动编码器模型来处理高维度、结构化缺失模式和未知随机过程等数据挑战。
Feb, 2024
本文提出了一种新型深度学习模型,利用健康体检数据以及发病率和死亡率信息来学习生物老化与临床特征之间的复杂关系,与 KDM 和其他学习模型相比,在大规模普通人群数据集的评估中,该模型获得了更优秀的判别力。
Feb, 2023
提出了一种基于层级潜在变量模型的个性化医学方法,该方法能够预测个体疾病过程,提高诊疗效果。将疾病程度描述为连续值,连续时间函数,分享不同粒度观测间的统计力量,使用离线参数学习算法和在线参数学习程序,对硬皮病引起的间质性肺病的疾病过程进行预测,并与现有方法进行比较,获得了显著改进。
Jan, 2016
本研究介绍了一种多功能退化建模的新框架,通过利用深度学习,预测健康退化分数并揭示老年人健康历史的潜在异质性,从而提供了对老年人退化多样效应和原因的高效估计和可解释洞察。一个真实案例研究证明了该方法的有效性,为准确建模老年衰退的复杂动态以及应对老龄化人口的医疗挑战做出了重要贡献。
Apr, 2024
本文提出了一种名为 MuLTI 的新型框架,利用对比学习技术来反转数据生成过程以提高可识别性,并采用置换机制通过建立最优传输公式合并相应的重叠变量,从而在合成和真实世界数据集上展示了我们方法在多视图时间序列中恢复可识别潜在变量方面的卓越性能。
May, 2023
该研究提出了一种使用统计和深度学习方法集成多个来源的横断面和纵向数据、识别相关变量并提供深入生物学见解的流程,并将其应用于炎症性肠病的多组学数据,发现了可区分炎症性肠病状态的微生物通路、代谢物和基因,为炎症性肠病的病因提供了信息。
Dec, 2023
从静态变量和不规则采样的时间序列中学习个体特定强度的计数过程的任务。我们引入一种新颖的建模方法,其中强度是受控微分方程的解。我们首先通过构建神经控制微分方程来设计一个神经估计器。然后,在足够的正则条件下,我们展示了我们的模型可以在特征空间中线性化,得到一种基于特征的估计器,称为 CoxSig。我们对这两个估计器提供了理论上的学习保证,然后展示了我们模型在金融、预测性维护和食品供应链管理等各种模拟和真实世界数据集上的性能。
Jan, 2024
本论文提出了一种自监督生成建模框架,用于联合学习多模态数据的概率潜在状态表示和相应的动态,并且该方法在机器人学方面有显著的预测和表示质量改进。
Apr, 2022