Deep Generalised Mixed Models: a Novel Neural Network Structure for Analysing Hierarchical Data
arXiv 论文 2608.05930v1 提出 Deep Generalised Mixed Models (DGMM)，一种用于分析层次数据的神经网络结构，将混合效应模型推广到深度学习，通过固定和随机效应灵活建模数据的均值和相关结构，使用变分自编码器和贝叶斯数据增强算法进行估计。
发展脉络
- 首次出现Deep Generalised Mixed Models: a Novel Neural Network Structure for Analysing Hierarchical DataarXiv cs.LG
- 当前判断该研究针对心理健康监测应用（如 GrowIt!）的数据分析，表明深度学习在纵向研究和行为科学中的应用正在深化。将统计模型与深度学习结合，可能提升对复杂、缺失数据的处理能力，对健康科技和个性化干预领域具有潜在价值。Agent Pulse · 分析
该论文针对经验抽样法（ESM）数据，特别是 GrowIt! 应用收集的青少年情绪数据，提出了一种新的神经网络架构 Deep Generalised Mixed Models (DGMM)。ESM 数据具有层次结构，且存在因缺失导致的偏差，标准统计方法难以扩展至高维，而机器学习方法因缺失机制（非随机缺失）产生偏差。DGMM 通过将混合效应模型推广到深度学习，利用固定和随机效应半参数化地建模均值和相关结构，并使用变分自编码器和贝叶斯数据增强算法进行估计，从而解决这些问题。
DGMM 将传统混合效应模型中的随机效应融入神经网络，可能通过类似变分推断的方式学习层次数据的潜在结构。其使用变分自编码器进行估计，暗示模型可能采用深度生成式方法，能够处理缺失数据。这一架构可能为层次数据建模提供新的工具，但具体实现细节和性能对比需进一步验证。
该研究针对心理健康监测应用（如 GrowIt!）的数据分析，表明深度学习在纵向研究和行为科学中的应用正在深化。将统计模型与深度学习结合，可能提升对复杂、缺失数据的处理能力，对健康科技和个性化干预领域具有潜在价值。
对于处理用户行为或健康数据的公司，DGMM 可能提供更稳健的分析方法，减少因数据缺失导致的偏差，从而改善基于数据的决策质量。但当前仅为研究，商业化尚早。
后续可关注 DGMM 在真实 ESM 数据集上的性能对比，以及其是否被应用于其他层次数据场景。若开源代码，可能促进相关领域的应用。