- 评估纵向数据在阿尔茨海默病预测中的意义
利用变压器编码器模型来表征纵向患者数据的重要性,以预测阿尔茨海默病(AD)的进展。我们的模型 LongForMAD 利用包含多模态数据的患者访问序列中嵌入的全面时间信息,提供对疾病进展的更深入理解,比仅基于单次访问数据获得的理解更有效。我们 - 塑造财务成功的因素:深入研究影响变量
探索机器学习算法和方法在个体金融成功中所发挥的各种社会经济因素,以理解和揭示影响金融成功的真正决定因素,其中包括最高学历、职业、性别、年工作小时、年龄和工作资历等。
- 纵向反事实:限制与机遇
利用纵向数据评估和改进反事实推理中的可信度,通过比较纵向差异与反事实差异,生成可信的反事实,探讨利用反事实推理的困难。
- latrend:长期数据聚类框架
通过 R 包 “latrend” 作为框架,实现对纵向聚类方法的统一应用,使得研究人员能够轻松比较不同方法、实现和方法规范,并且能够快速推出新的聚类方法。
- 高维点过程结构缺失的潜变量模型
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。
- 使用工具变量估计纵向数据中具有时间依赖潜在混杂因素的因果推断
提出了一种新的时间依赖仪器因子模型(TIFM)来从具有隐藏时间依赖混杂因素的数据中估计时变因果效应,并用循环神经网络(RNN)架构辅助推断潜在仪器变量以解决混淆偏差问题。
- 跨断面和长期多视角数据整合的深度学习流水线
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。
- 纵向数据的一致性预测
Longitudinal Predictive Conformal Inference (LPCI) 是一种新颖的无分布预测算法,通过建立训练好的分位数回归器模型来构建预测区间,从而保证了纵向和横向覆盖率,适用于医学、金融和供应链管理等广泛 - ICCV双元元学习结合纵向广义正则化用于跨人类一次性脑组织分割
本文提出了一种双元元学习范式,通过元特征学习提取纵向一致的解剖学特征表示,并通过元初始化学习提供良好初始化的任务头进行微调。此外,提出了两种类感知的正则化方法,以鼓励纵向一致性。在 iSeg2019 和 ADNI 数据集上的实验结果证明了我 - 胸部 X 射线报告生成的纵向数据和语义相似奖励
通过考虑纵向数据,结合患者以前的影像学研究报告,使用 CXR-BERT 进行奖励的强化学习,改善胸部 X 射线报告生成的效率以提高诊断准确性。
- 使用结构化状态空间模型进行反事实结果预测
本文比较了两种模型 TE-CDE 和 S4Model 在对于 counterfactual outcome prediction in longitudinal data 的任务中的表现,其中发现 S4Model 比 TE-CDE 更加高效 - 异质性时间和纵向数据的变分自编码器
本文提出了用于处理异构数据的异构纵向变分自编码器,该模型通过建立生成模型和推断网络实现了高维数据的有效推断和处理,并使用连续、计数、分类和序数数据的似然模型来处理缺失值和实现预测。通过模拟和临床数据的实验验证了模型的有效性和预测精度。
- AAAI研究再现性作为生存分析
机器学习领域中存在再现性危机,将再现性问题建模为生存分析问题能更准确地解释其元科学问题并获得新的见解。
- AAAI纵向深度核高斯过程回归
L-DKGPR 是一种从纵向数据中自动发现复杂的多层关联结构的方法,使用新颖的深度核学习技术,结合了深度神经网络的表达能力和非参数核方法的灵活性,通过引入变分推断的方式从潜变量先验中推理出后验。实验表明该方法较之前的 LDA 方法有明显的提 - 利用电子病历数据预测肥胖:一种带可解释元素的深度学习方法
本文描述了一种基于深度学习的预测儿童肥胖症的模型,使用了大型未经修正的电子健康记录数据集,采用长短时记忆网络 (LSTM) 架构,并通过注意层来增加模型的可解释性,预测儿童肥胖症的时间段是从 2 岁到 20 岁,相比其他忽略了时间性的机器学 - AAAILMLFM:纵向多层因子分解机
LMLFM 是第一个考虑数据的复杂相关性和非线性交互作用,可以从长期数据中学习预测模型并选择最具预测性的固定效应和随机效应的多层因子机。在模拟和实际应用中,LMLFM 在预测准确性、变量选择和规模上均优于现有方法。
- gfoRmula:通过参数 g 公式估计一般的时间变化干预效应的 R 软件包
本研究使用 Robins 的 g-formula 估计纵向数据中时变干预影响的因果效应,并介绍了在 R 语言中实现参数 g-formula 的软件包 gfoRmula。
- Patient2Vec:长期电子健康记录的个性化可解释深度表示
本文提出了一种计算框架,称为 Patient2Vec,以学习可解释的深度纵向电子健康记录数据表达,并将其应用于实际患者信息以预测未来住院情况,该方法展现出明显的预测性能优势。
- 从纵向数据集中学习形状轨迹的分布:基于微分同胚流形的层次模型
我们提出了一种从纵向数据(即在多个时间点反复观察到的个体对象的集合)中学习形状轨迹分布的方法,并介绍了具体的 MCMC-SAEM 算法,用于评估我们的模型,应用于阿尔茨海默病中的海马 3D 脑结构形状变化情景的估计,以及分类病理轨迹与正常衰 - 个性化多方向变量选择
本文提出了一种异构建模框架,它可以实现个体特征选择和个性化协变量效应的分组,同时在纵向数据方面也具有高效性。基于双分歧建模框架,该框架的理论基础是通用的,旨在使推断既能在个体层面又能在种群层面进行。此外,本文提出的模型改善了个性化估计效率和