TabMixNN：面向表格数据结构混合效应建模的统一深度学习框架
机器学习
2026-01-01 v1 统计计算
统计方法学
摘要
我们提出 TabMixNN，一个基于 PyTorch 的灵活深度学习框架，它将经典的混合效应建模与现代神经网络架构综合用于表格数据分析。TabMixNN 满足了处理层次数据结构并支持多种结果类型（包括回归、分类和多任务学习）的方法的日益增长的需求。该框架实现了模块化的三阶段架构：（1）具有变分随机效应和灵活协方差结构的混合效应编码器；（2）包括广义结构方程模型（GSEM）和时空流形网络在内的骨干架构；以及（3）支持多种结果族的特定结果预测头。关键创新包括用于提升易用性的 R 风格公式接口、用于因果结构学习的有向无环图（DAG）约束支持、用于空间建模的随机偏微分方程（SPDE）核，以及包括 SHAP 值和方差分解在内的全面可解释性工具。我们通过在纵向数据分析、基因组预测和时空建模中的应用展示了该框架的灵活性。TabMixNN 为研究人员提供了一个统一接口，使其能够利用深度学习，同时保持经典混合效应模型的可解释性与理论基础。
引用
@article{arxiv.2512.23787,
title = {TabMixNN: A Unified Deep Learning Framework for Structural Mixed Effects Modeling on Tabular Data},
author = {Deniz Akdemir},
journal= {arXiv preprint arXiv:2512.23787},
year = {2026}
}