Dec, 2023

可解释的临床问卷分解以识别心理病理的潜在因素

PDF
TL;DR通过识别解释性约束问卷因子分解方法（ICQF）来促进因子识别能力和解决方案稳定性，使心理病理学研究能够理解行为中的心理病理学表现，并通过问卷数据量化，有效提高解释性，并在各种疾病的诊断信息中保持优越性。
发现论文，激发创造
  • 可辨别因子分解的世界模型学习

    本文提出了 IFactor 框架，它由四类潜在状态变量建模，以捕捉强化学习系统中各种信息的不同方面，并在合成环境和深度强化学习环境中展示了其性能优于基线的实验结果。

    Jun, 2023

  • 从高维代理变量中恢复潜在混淆因素

    从代理变量中检测潜在混淆因素是因果效应估计中的一个重要问题。我们提出了一种新颖的代理混淆因子分解（PCF）框架，用于处理通过高维、混合型代理变量表现出来的连续处理效应估计。

    Mar, 2024

  • 潜空间明晰度与解释性增强（LS-PIE）框架

    本文提出了一个通用框架来增强线性潜在空间表示，以提高其可解释性和可用性，并展示了该框架在 PCA 和 ICA 上的效果。

    Jul, 2023

  • 通过张量分解发现高维人类行为数据中的隐藏结构

    应用非负张量因式分解方法在穿戴式传感器数据集 StudentLife 中，提取潜在的时间因素和相似个体群组，成功发现了表现良好的个体和常常从事休闲活动的个体，从而揭示了数据的低维结构。

    May, 2019

  • 从隐藏特征中学习：联合因子分析与潜在聚类

    本文提出了一种联合因子分析和潜在聚类的框架，旨在学习矩阵和张量数据的聚类感知低维表示。该方法利用矩阵和张量分解模型来揭示潜在聚类结构，并通过潜在聚类结构作为先验信息来提高因子分解的性能。

    May, 2016

  • 因子图模型视角下的干预泛化

    本文利用因子图模型的语言，对干预因素模型 (IFM) 的可辨识性进行了分析，并通过实验数据来推导出 IFM 的必要和充分条件，以及实现将预期的结果推广到从未在数据中观察过的新条件的实用算法。

    Jun, 2023

  • 可验证的最优低秩因子分析

    本文提出了一种基于半定规划的非线性的秩受限因子分析问题的最优化表述方法，并使用目前最先进的非线性优化技术提高了计算可扩展性，同时展示了在真实数据集上提高的精度。

    Apr, 2016

  • 基于矩阵分解的有噪和缺失协变量因果推断

    该论文提出使用矩阵分解来从噪声协变量中推断混淆因素，减少测量噪声引起的偏差，展示了这个方法在合成数据和临床数据上的实验结果。

    Jun, 2018

  • 群体因子分析

    通过变分推断较之前更灵活地将模态多样性因子分析模型扩展到可以描述变量集合之间的关系，利用两级层次结构模型来解决组因素分析问题，且表现出更好的表现力和适用性。

    Nov, 2014

  • 高维回归分析中的因子模型和变量选择

    本文提出了一种因子方法来同时考虑模型选择和功能回归的视角，通过将预测向量分解为反映解释变量的共同因素和特定变异性的两个不相关随机分量，以包括主成分作为额外的解释变量在增广回归模型中，维度高于样本大小的线性回归问题中传统假设的稀疏向量参数是具有限制性的，模型选择程序可以用于估计增广模型的参数，并得出其理论性质和有限样本表现。

    Feb, 2012