HyperNSDE
一种基于超网络与神经随机微分方程的连续时间生成模型，专为合成个性化临床患者数据设计，能联合建模静态协变量、不规则纵向轨迹及观测时刻
时间轴 (近 90 天)
HyperNSDE 是一个连续时间生成模型，用超网络将潜在的神经随机微分方程与静态患者表征连接起来，以生成合成临床数据
HyperNSDE 让基线静态特征通过超网络持续塑造整条轨迹的演化过程，而不仅是初始条件
HyperNSDE 的机制无需额外的轨迹编码器，简化了模型结构
HyperNSDE 通过依赖潜在状态的强度过程来联合建模观测时刻
HyperNSDE 采用确定性-随机性路径分解策略，将轨迹拆分为可预测部分与随机扰动部分
HyperNSDE 使用非对抗式的签名核目标函数进行优化，避免了GAN类模型的训练不稳定问题
论文在模拟数据集和真实临床数据集上验证了HyperNSDE，结果显示其在观测时刻保真度上有明显提升
研究者发现预测指标和相关性指标会受观测网格规律性和轨迹平滑度的影响，数据越规整、轨迹越平滑某些指标越好看
HyperNSDE 将静态特征、纵向轨迹与观测时刻这三个长期被割裂处理的组件统一到连续时间框架中
HyperNSDE 是一篇arXiv预印本，尚未经过同行评审
全部知识事实 (10)
HyperNSDE 是一个连续时间生成模型，用超网络将潜在的神经随机微分方程与静态患者表征连接起来，以生成合成临床数据
50%待验证HyperNSDE 让基线静态特征通过超网络持续塑造整条轨迹的演化过程，而不仅是初始条件
50%待验证HyperNSDE 的机制无需额外的轨迹编码器，简化了模型结构
50%待验证HyperNSDE 通过依赖潜在状态的强度过程来联合建模观测时刻
50%待验证HyperNSDE 采用确定性-随机性路径分解策略，将轨迹拆分为可预测部分与随机扰动部分
50%待验证HyperNSDE 使用非对抗式的签名核目标函数进行优化，避免了GAN类模型的训练不稳定问题
50%待验证论文在模拟数据集和真实临床数据集上验证了HyperNSDE，结果显示其在观测时刻保真度上有明显提升
50%待验证研究者发现预测指标和相关性指标会受观测网格规律性和轨迹平滑度的影响，数据越规整、轨迹越平滑某些指标越好看
50%待验证HyperNSDE 将静态特征、纵向轨迹与观测时刻这三个长期被割裂处理的组件统一到连续时间框架中
50%待验证HyperNSDE 是一篇arXiv预印本，尚未经过同行评审
50%