Individualized dynamic latent factor model for multi-resolutional data with application to mobile health
面向多分辨率数据的个体化动态潜因子模型及其移动健康应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：分类依据是不规则时间序列与动态潜因子方法，摘要中的应用场景为移动健康。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
面向多分辨率数据的个体化动态潜因子模型及其移动健康应用
- 研究问题
- 如何整合多个个体不规则采集、分辨率不同的多变量时间序列，并插补低分辨率序列中未采样的测量值，同时保留个体异质性？
- 方法与思路
- 作者将多分辨率观测映射到潜在空间，通过个体化动态潜因子整合不同序列与受试者，并采用 B 样条近似进行插值。
- 材料陈述的贡献
- 摘要称给出积分插值误差的界与 B 样条近似收敛率，并报告模拟和智能手表应用中相对所比较方法的性能优势。
- 阅读关注点
- 应核对潜因子的可识别性、不规则采样机制、个体间信息共享方式，以及误差界条件、样条选择和比较实验的评价指标。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断采样缺失机制、因子维数选择或优势的适用范围；插值表现不能直接解释为未来预测能力。
原文摘要
Summary Mobile health has emerged as a major success for tracking individual health status, due to the popularity and power of smartphones and wearable devices. This has also brought great challenges in handling heterogeneous, multi-resolution data that arise ubiquitously in mobile health due to irregular multivariate measurements collected from individuals. In this paper, we propose an individualized dynamic latent factor model for irregular multi-resolution time series data to interpolate unsampled measurements of time series with low resolution. One major advantage of the proposed method is the capability to integrate multiple irregular time series and multiple subjects by mapping the multi-resolution data to the latent space. In addition, the proposed individualized dynamic latent factor model is applicable to capturing heterogeneous longitudinal information through individualized dynamic latent factors. Our theory provides a bound on the integrated interpolation error and the convergence rate for B-spline approximation methods. Both the simulation studies and the application to smartwatch data demonstrate the superior performance of the proposed method compared to existing methods.