Hierarchical Probabilistic Principal Component Analysis of Longitudinal Data
纵向数据的层级概率主成分分析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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究个体重复观测的纵向数据，并显式区分个体间异质性与个体内时间动态。
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…
纵向数据的层级概率主成分分析
- 研究问题
- 在大量变量被重复测量且存在较多缺失的纵向研究中，如何区分个体间差异与个体内动态，并改善潜在特征学习和缺失值填补？
- 方法与思路
- 作者提出两层概率因子模型，以高斯过程描述个体内潜在动态，使用支持缺失数据和灵活协方差核的 EM 算法并加速初始化。
- 材料陈述的贡献
- 摘要称，模型在模拟中改善参数子空间恢复与填补准确性，并在长期新冠队列中提取有助于临床结局预测和记录恢复的特征。
- 阅读关注点
- 应核对两层变异的可区分条件、缺失机制、协方差核与 EM 收敛表现，以及模拟误设场景和临床预测的验证划分。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明缺失机制假设或比较数值，不能将报告优势推广至任意纵向数据。
原文摘要
In many longitudinal studies, a large number of variables are measured repeatedly over time, with substantial missing data. Existing methods, such as probabilistic principal component analysis (PPCA), are ill-equipped to handle such incomplete, high-dimensional longitudinal data, as they fail to account for the nested sources of variation and temporal dependency inherent in repeated measures. We introduce hierarchical probabilistic principal component analysis (HPPCA), a two-level probabilistic factor model that explicitly separates between-subject variance from time-varying within-subject dynamics. The within-subject latent factors are modeled by a Gaussian process. We develop an EM algorithm to handle missing data and flexible covariance kernels, accelerated by computationally efficient initializers. Simulation studies demonstrated that HPPCA robustly recovers model parameters subspaces and substantially outperforms both standard PPCA and multivariate functional PCA in imputation accuracy, even under heavy missingness and model misspecification. An application to the long COVID symptoms in the Researching COVID to Enhance Recovery adult cohort revealed that HPPCA effectively captured the data's hierarchical structure and its learned features significantly improved the prediction of clinical outcomes and the recovery of masked clinical records compared to exisiting methods.