新的深度学习模型应对分层数据挑战

研究人员开发了一种名为深度广义混合模型（DGMM）的新型神经网络架构，以应对分析分层数据（特别是来自经验抽样方法（ESM））的挑战。这个新模型将混合效应模型推广到深度学习，能够灵活地对数据结构进行建模，并处理具有通用分布的纵向结果。DGMM采用变分自编码器的改编和贝叶斯数据增强算法进行估计，使其能够扩展到高维环境，并在数据随机缺失时提供有效的推断，这是COVID-19大流行期间跟踪青少年情绪的GrowIt！应用程序等研究中常见的问​​题。 AI

影响 这种新的模型架构可以改进对复杂纵向数据集的分析，特别是在心理学和社会科学等缺失数据普遍的领域。

排序理由 该条目描述了在arXiv论文中提出的一种新型神经网络架构。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• Bayesian data augmentation algorithm
• CatalyzeX Code Finder for Papers
• CORE Recommender
• COVID-19 pandemic
• DagsHub
• Deep Generalised Mixed Models
• Gotit.pub
• GrowIt!
• Hugging Face
• ScienceCast
• Variational auto-encoders with Student’s t-prior

• 论文
• 其他

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