PulseAugur
中
实时 08:34:35
English(EN) Longitudinal Random Forests for Sparse and Irregular Response Trajectories

新的纵向随机森林框架处理稀疏、不规则数据

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新的纵向随机森林（LRF）框架，用于分析稀疏和不规则的纵向数据。该框架在考虑节点内相关性和节点间异质性的同时，捕捉个体响应轨迹。它提供了两种变体：LRF-PACE 和 LRF-adaptiveLMM，分别使用非参数和平滑参数平滑器，并提供了解释协变量效应和预测未来轨迹的方法。模拟显示，LRF 的性能优于现有方法，尤其是在数据稀疏度严重的情况下。 AI

影响 这一新框架通过更好地捕捉个体患者轨迹，有望改善复杂生物和临床数据的分析。

排序理由 该条目描述了在 arXiv 预印本上发布的新方法论。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的纵向随机森林框架处理稀疏、不规则数据

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Yangsheng Wang, Xiaotian Dai, Haoda Fu, Guifang Fu ·

    Longitudinal Random Forests for Sparse and Irregular Response Trajectories

    arXiv:2607.21817v1 Announce Type: cross Abstract: Longitudinal studies often collect data at sparse, irregular, and unequally spaced time points. Such heterogeneity is often driven by subject-specific covariates, yet existing methods have been restricted to a scalar endpoint valu…

相关话题