A Generalized Gaussian Process Model for Computer Experiments With Binary Time Series
用于二元时间序列计算机实验的广义高斯过程模型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：摘要聚焦生物计算机实验的二元序列模型，未明确对应所列宏观或微观计量领域细分。
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…
用于二元时间序列计算机实验的广义高斯过程模型
- 研究问题
- 如何为计算机实验中的二元响应建立兼顾时间结构的代理模型，并预测细胞黏附模拟中无法直接观测的生物信息？
- 方法与思路
- 作者提出广义高斯过程模型，用灵活的均值函数捕捉不同时间序列结构，研究估计量渐近性质并构造预测及预测分布。
- 材料陈述的贡献
- 摘要称方法通过两项模拟评估，并在细胞黏附计算机实验中揭示重复细胞结合的生物信息；具体信息和效果大小未说明。
- 阅读关注点
- 应核对二元响应与潜在高斯过程的连接、均值函数和依赖结构的区分，以及所谓最优预测所采用的损失与条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明渐近条件、预测最优性的范围或生物解释的验证方式，不能推断刊本变化。
原文摘要
Non-Gaussian observations such as binary responses are common in some computer experiments. Motivated by the analysis of a class of cell adhesion experiments, we introduce a generalized Gaussian process model for binary responses, which shares some common features with standard GP models. In addition, the proposed model incorporates a flexible mean function that can capture different types of time series structures. Asymptotic properties of the estimators are derived, and an optimal predictor as well as its predictive distribution are constructed. Their performance is examined via two simulation studies. The methodology is applied to study computer simulations for cell adhesion experiments. The fitted model reveals important biological information in repeated cell bindings, which is not directly observable in lab experiments. Supplementary materials for this article are available online.