Новая нейросетевая архитектура для анализа иерархических данных: Deep Generalised Mixed Models
**⚠️ Status: preprint This article is based on a preprint published on arXiv. The work may not have undergone independent peer review. Conclusions reflect the authors' position.
Кратко: На arXiv опубликована работа, описывающая новую нейросетевую архитектуру Deep Generalised Mixed Models (DGMM), которая обобщает смешанные модели на глубокое обучение. Архитектура предназначена для анализа иерархических данных, в частности данных, собранных методом выборки переживаний (ESM), и решает проблему смещения, вызванного пропусками.
Что произошло
Авторы представили нейросетевую архитектуру, которая расширяет классические смешанные модели на глубокое обучение. Мотивацией послужили данные, собранные приложением GrowIt!, которое использовалось для изучения ежедневных эмоций подростков во время пандемии COVID-19. Традиционные статистические методы плохо масштабируются на многомерные данные, а стандартные методы машинного обучения дают смещённые результаты из-за пропусков, связанных с выбыванием участников. В мотивационном наборе данных подростки выбывали из-за сильных негативных эмоций, что соответствует пропускам, не игнорируемым стандартными ML-методами. Новая архитектура призвана преодолеть эти ограничения.
Что изменилось по сравнению с предыдущей версией
Работа является перекрестной заменой (replace-cross) предыдущей версии на arXiv (идентификатор 2608.05930v2). Детали изменений не раскрываются, но сам факт обновления версии указывает на доработку исследования.
Цены и доступность
Публикация доступна в виде препринта на arXiv (не прошла рецензирование). Код и реализации пока не упоминаются в описании.
Почему это важно
Методология анализа лонгитюдных данных с пропусками — давняя проблема в психологии, социологии и медицинских исследованиях. Стандартные ML-модели не учитывают механизм пропусков, что ведёт к смещённым оценкам. DGMM предлагают мост между классической статистикой и глубоким обучением, позволяя моделировать иерархическую структуру и одновременно обрабатывать высокоразмерные данные. Это может улучшить качество анализа данных из приложений для сбора самоотчётов, а также в других областях с вложенными данными.
Для пользователей AI-Sphere
Тем, кто работает с иерархическими данными (опросы, панельные исследования, клинические испытания), стоит следить за развитием DGMM. Архитектура может стать базой для новых инструментов, учитывающих пропуски в данных. На ai-sphere.ru можно найти сравнение с другими нейросетевыми подходами к анализу временных рядов и лонгитюдных данных.
Источники