TabMixNN: A Unified Deep Learning Framework for Structural Mixed Effects Modeling on Tabular Data
TabMixNN：表格数据结构混合效应建模的统一深度学习框架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：摘要介绍通用层级数据建模框架，纵向应用和 DAG 支持尚不足以明确归入特定计量细分。
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…
关注这篇论文的作者
TabMixNN：表格数据结构混合效应建模的统一深度学习框架
- 研究问题
- 如何在表格数据分析中同时处理层级结构、多种结果类型与复杂非线性关系，并保留混合效应模型的解释工具？
- 方法与思路
- 作者构建三阶段架构，以变分随机效应编码器连接结构或时空网络骨干及结果预测头，并提供公式接口和解释工具。
- 材料陈述的贡献
- 摘要称框架整合灵活协方差、多任务输出、DAG 约束与空间核，并以纵向数据、基因组预测及时空建模展示适用性。
- 阅读关注点
- 应核对随机效应与网络参数的区分、变分估计误差，以及 DAG 约束的因果含义和解释工具是否准确反映模型结构。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出识别或推断保证、性能数值，不能据此确认其因果学习能力。
原文摘要
We present TabMixNN, a flexible PyTorch-based deep learning framework that synthesizes classical mixed-effects modeling with modern neural network architectures for tabular data analysis. TabMixNN addresses the growing need for methods that can handle hierarchical data structures while supporting diverse outcome types including regression, classification, and multitask learning. The framework implements a modular three-stage architecture: (1) a mixed-effects encoder with variational random effects and flexible covariance structures, (2) backbone architectures including Generalized Structural Equation Models (GSEM) and spatial-temporal manifold networks, and (3) outcome-specific prediction heads supporting multiple outcome families. Key innovations include an R-style formula interface for accessibility, support for directed acyclic graph (DAG) constraints for causal structure learning, Stochastic Partial Differential Equation (SPDE) kernels for spatial modeling, and comprehensive interpretability tools including SHAP values and variance decomposition. We demonstrate the framework's flexibility through applications to longitudinal data analysis, genomic prediction, and spatial-temporal modeling. TabMixNN provides a unified interface for researchers to leverage deep learning while maintaining the interpretability and theoretical grounding of classical mixed-effects models.