基于 Neural ODE 的连续时间概率分布学习及其在连续血糖监测数据中的应用
机器学习
2025-09-18 v3 机器学习
动力系统
应用统计
统计方法学
摘要
从时间依赖数据样本中对概率分布动力学进行建模是许多领域的基本问题，包括数字健康领域。目标是分析生物标志物（如血糖）的分布如何随时间变化，以及这些变化可能反映慢性疾病（如糖尿病）的进程。我们引入一种基于高斯混合的概率模型，用于捕捉连续时间随机过程的演化。我们的 метод 将一种非参数分布估计（使用最大均值偏差 (MMD)）与一种 Neural 常微分方程 (Neural ODE) 结合在一起，后者支配混合权重的时间演化。该模型高度可解释，能够检测细微的分布偏移，同时保持计算效率。我们在 26 周的临床试验中展示了该方法的广泛实用性，将所有连续血糖监测 (CGM) 时序数据作为主要结果。该方法使治疗和对照组之间进行严格的纵向比较，并yield characterizations that conventional summary-based 临床试验分析方法通常无法捕获。
关键词
引用
@article{arxiv.2505.08698,
title = {Continuous Temporal Learning of Probability Distributions via Neural ODEs with Applications in Continuous Glucose Monitoring Data},
author = {Antonio Álvarez-López and Marcos Matabuena},
journal= {arXiv preprint arXiv:2505.08698},
year = {2025}
}