Variational autoencoder for inference of nonlinear mixed effect models based on ordinary differential equations
基于常微分方程的非线性混合效应模型的变分自编码器推断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：摘要主题为 NLME-ODE 的变分推断与参数估计方法，属于统计计算与生物统计方向，与所列微观、宏观、金融计量领域细分均无直接文本依据。
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…
基于常微分方程的非线性混合效应模型的变分自编码器推断
- 研究问题
- 摘要称，如何在基于常微分方程的非线性混合效应模型（NLME-ODE）中，利用多受试者纵向数据进行参数估计，并在模型复杂、每受试者观测稀疏且不规则时避免依赖 MCMC 的推断困难。
- 方法与思路
- 作者提出用变分自编码器（VAE）方法，通过最大化证据下界（ELBO）这一边际似然的正则化替代来估计参数；共享编码器摊销受试者个体随机效应的推断，避免逐受试者优化与 MCMC，并用基于观测信息的方差估计量量化参数不确定性。
- 材料陈述的贡献
- 摘要称，该方法在三个模拟案例（药代动力学、疫苗接种体液反应、哮喘气道 TGF-β 激活动态）和真实抗体动力学数据上进行了评估，并与 SAEM 基线比较；作者还检验了编码器引入的冗余参数未损害模型参数的实用可识别性。
- 阅读关注点
- 阅读全文时应核对：ELBO 的具体形式与编码器结构、观测信息方差估计量的构造与渐近性质、实用可识别性的检验方式、模拟设计与真实数据的规模，以及与 SAEM 比较的指标和公平性。
- 阅读边界
- 仅凭摘要无法判断方法的理论保证、估计量一致性、模拟与实证结果的具体数值及相对优势；摘要未说明计算成本、收敛诊断与敏感性分析细节。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We propose a variational autoencoder (VAE) approach for parameter estimation in nonlinear mixed-effects models based on ordinary differential equations (NLME-ODEs) using longitudinal data from multiple subjects. In moderate dimensions, likelihood-based inference via the stochastic approximation EM algorithm (SAEM) is widely used, but it relies on Markov Chain Monte-Carlo (MCMC) to approximate subject-specific posteriors. As model complexity increases or observations per subject are sparse and irregular, performance often deteriorates due to a complex, multimodal likelihood surface which may lead to MCMC convergence difficulties. We instead estimate parameters by maximizing the evidence lower bound (ELBO), a regularized surrogate for the marginal likelihood. A VAE with a shared encoder amortizes inference of subject-specific random effects by avoiding per-subject optimization and the use of MCMC. Beyond pointwise estimation, we quantify parameter uncertainty using observed-information-based variance estimator and verify that practical identifiability of the model parameters is not compromised by nuisance parameters introduced in the encoder. We evaluate the method in three simulation case studies (pharmacokinetics, humoral response to vaccination, and TGF-$β$ activation dynamics in asthmatic airways) and on a real-world antibody kinetics dataset, comparing against SAEM baselines.