用于离散人类状态发现的高斯隐狄利克雷分配
机器学习
2022-06-30 v1
摘要
本文提出并验证了一种无监督概率模型——高斯隐狄利克雷分配（GLDA），用于从多个内在不同个体采集的重复多元生理心理样本中发现离散状态的问题。心理学与医学研究大量涉及从一组受试者测量潜在相关但个体上非决定性变量以推导诊断，因而需要聚类分析。传统概率聚类模型如高斯混合模型（GMM）假设分量分布的全局混合，这对来自不同患者的观测可能不现实。GLDA 模型借用了自然语言处理中流行主题模型隐狄利克雷分配（LDA）的个体化混合结构，并将其与 GMM 的高斯分量分布合并以适应连续型数据。我们使用 STAN（一种概率建模语言）实现 GLDA，并应用于两个数据集：一个含生态瞬时评估（EMA），另一个含来自心电图与阻抗心动图的心脏测量。我们发现两个数据集中 GLDA 学到的类别权重与临床评估的抑郁、焦虑和压力得分的相关性均显著高于基线 GMM 所得。我们的结果表明，对于从重复多元数据中发现人类状态，GLDA 优于常规有限混合模型，可能源于更好地刻画了潜在的受试者间差异。未来工作需在更广应用范围验证该模型效用。
引用
@article{arxiv.2206.14233,
title = {Gaussian Latent Dirichlet Allocation for Discrete Human State Discovery},
author = {Congyu Wu and Aaron Fisher and David Schnyer},
journal= {arXiv preprint arXiv:2206.14233},
year = {2022}
}