告别手动推导！这个新框架让神经网络混合效应模型提速还更准
Implementing neural network mixed-effects models in Template Model Builder (TMB)
📖 AI 总结
该研究提出了一种基于Template Model Builder（TMB）的通用框架，用于实现神经网络混合效应模型（NMMs）。传统NMMs的估计依赖手动推导目标函数和梯度，导致简化近似并限制了模型复杂度。新框架利用自动微分和拉普拉斯近似，用户只需指定负联合对数似然及正则化项，即可自动积分随机效应并计算边际目标函数及其精确梯度，免去手动推导。通过两个数值示例（包括单调NMMs应用）验证了该方法的效率、灵活性和统计性能，并提供可复现代码以促进推广。该工作降低了NMMs的实现门槛，有望推动其在复杂相关结构数据建模中的更广泛应用。
🔑 关键词速览
| Neural network mixed-effects models (NMMs) | 神经网络混合效应模型，结合神经网络与混合效应建模，用于处理复杂相关结构的数据。 |
| Template Model Builder (TMB) | 模板模型构建器，一个R包，利用自动微分和拉普拉斯近似高效拟合统计模型。 |
| Automatic differentiation | 自动微分，一种计算导数的技术，用于高效精确地获取梯度信息。 |
| Laplace approximation | 拉普拉斯近似，一种通过高斯分布近似积分来简化随机效应积分的方法。 |
| Marginal objective function | 边际目标函数，在积分掉随机效应后得到的似然函数，用于参数估计。 |
📱 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