通过自适应借用实现个体化推断的灵活贝叶斯框架

健康领域高分辨率数据采集技术的爆发增加了对个体水平参数进行推断的兴趣。尽管技术可能提供关于单个个体的大量数据，如何最佳地利用多源群体数据来改进个体化推断仍是一个开放的研究问题。一种可能的方法——多源可交换模型（MEM）——是一种将补充源数据整合到主源分析中的贝叶斯方法。MEM 最初是为通过从一组相似既往研究中非对称借用信息来改进单个研究的推断而开发的，并进一步被拓展以在篮式试验背景下应用计算更密集的对称借用；然而，即便对于非对称借用，其计算负担也随补充源数量呈指数增长，使其不适用于数百或数千个补充源（即个体）可贡献于对给定个体的推断的应用。在本文中，我们提出数据驱动的 MEM（dMEM），一种包含源选择与聚类两阶段的方法，能够以计算可行且数据高效的方式纳入任意数量的源来贡献于个体化推断。我们展示了 dMEM 在通过智能手机采集的个体水平人类行为与心理健康数据上的应用，其中我们的方法相比标准不借用方法将个体水平估计精度提高了 84%，并在 80% 的个体上优于近期提出的竞争方法。