🔥 今日值得一读
超网络神经常微分方程生成临床数据，观测时间保真度提升！
HyperNSDE: Personalized Neural SDEs for Joint Static-Longitudinal Clinical Data Generation
👨💼 主理人解读 · 为什么值得关注
做医疗合成数据或隐私保护建模的开发者可用其连续时间生成框架，联合建模静态协变量与不规则纵向轨迹。
📖 AI 总结
本文提出HyperNSDE，一种面向临床数据的连续时间生成模型，旨在同时合成患者的静态协变量、不规则采样的纵向轨迹以及具有信息量的观测时间。针对这三类在真实临床数据中高度耦合却鲜有联合建模的问题，该方法通过超网络将静态患者表征注入潜在神经随机微分方程，使基线特征不仅决定初始状态，还能持续影响轨迹演化，且无需轨迹编码器；同时以潜在状态依赖的强度过程联合建模观测时间，并借助确定性—随机路径分解与非对抗的签名核目标稳定不规则随机路径的训练。在模拟与真实临床数据集上的实验显示，该方法在观测时间保真度上有所提升，整体性能具有竞争力；匹配网格分析进一步表明，预测与相关性指标会受到观测网格规律性和轨迹平滑度的影响。该工作为隐私受限与数据稀缺场景下的个性化临床数据合成提供了新的建模范式。
🔑 关键词速览
| HyperNSDE | 一种连续时间生成模型，通过超网络将潜在神经常微分方程以静态患者表示为条件，用于联合生成临床数据。 |
| Neural SDE | 神经常微分方程，一种用神经网络参数化漂移和扩散函数的随机微分方程，用于建模连续时间随机动态。 |
| Hypernetwork | 超网络，一种生成另一个神经网络权重的网络，此处用于根据静态患者特征调节Neural SDE的参数。 |
| Observation times | 观测时间，指患者数据被记录的时间点，在临床数据中通常不规则且与患者状态相关。 |
| Signature-kernel objective | 签名核目标，一种基于路径签名核的非对抗性训练目标，用于稳定不规则随机路径上的训练。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅