Individualized Dynamic Latent Factor Model for Multi-resolutional Data with Application to Mobile Health
多分辨率数据的个体化动态潜因子模型及移动健康应用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。
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：摘要明确研究不规则时间序列和动态潜因子模型，应用领域为移动健康。
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…
多分辨率数据的个体化动态潜因子模型及移动健康应用
- 研究问题
- 如何整合不同个体的不规则、多分辨率健康时间序列，补足低分辨率序列的未观测测量，并保留个体纵向异质性？
- 方法与思路
- 作者将多条不规则序列映射至潜在空间，构造个体化动态潜因子模型，并研究B样条近似及插值误差。
- 材料陈述的贡献
- 摘要给出积分插值误差界和B样条近似收敛率，并称模拟及智能手表应用中，该方法的表现优于已有方法。
- 阅读关注点
- 应核对采样不规则性和个体异质性的处理、因子结构与B样条条件，以及误差界、比较方法和插值验证方案。
- 阅读边界
- 这是arXiv预印本，同行评审及接收状态未核实；摘要未给出理论条件、误差数值或比较配置，无法独立判断优势范围。
原文摘要
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 which 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.