Universal randomised signatures for generative time series modelling
University Munich（慕尼黑大学）；Imperial College London（伦敦帝国学院）
本文提出基于离散时间随机签名的新型 Wasserstein 型距离，并以通用逼近结果支撑其用于度量条件分布，进而训练基于储层神经 SDE 的非对抗金融时间序列生成模型。
2024-09-06 cs.LG q-fin.MF stat.ML
Multivariate Count Time Series Modelling
本文综述了自回归模型在多变量计数时间序列分析中的应用。在这样做时，我们讨论了一个合适的分布的向量计数随机变量的选择。本文综述了多元计数时间序列分析的三种主要方法：（a）整数自回归过程，（b）参数驱动模型和（c）观测驱动模型。这项工作的目的是突出一些最近的方法发展，并提出一些潜在的有用的研究课题。
2021-09-19 stat.ME
Graphical modelling of multivariate time series
我们引入图形时间序列模型来分析多元时间序列中变量之间的动态关系。建模方法是基于强格兰杰因果关系的概念，并可以应用到时间序列与非线性相关。该模型是从普通的时间序列模型通过施加约束，是由混合图编码。在这些图中，每个组件系列由一个单一的顶点和有向边表示变量之间可能的格兰杰因果关系，而无向边用于映射同期的依赖结构。我们介绍了各种概念的格兰杰因果马尔可夫性，并讨论它们之间的关系和其他马尔可夫性，可以应用在这种情况下。
2011-01-14 math.ST stat.TH
The Impact of Opioid Prescribing Limits on Drug Usage in South Carolina: A Novel Geospatial and Time Series Data Analysis
背景资料：为了遏制阿片类药物的流行，规范医疗补助（社会保障法医疗援助计划第十九条）所涵盖的阿片类药物处方量的立法于2018年5月在南卡罗来纳州生效。研究方法：我们采用了一个基于距离和差距的分类系统配药，开处方者和患者，并进行ARIMA分析，每个类和没有任何类，以检查立法对阿片类药物处方的影响，考虑长期趋势和自相关性。该研究还比较了苯二氮卓类药物处方的趋势作为对照。结果：拟议的分类系统聚类为16组的利益相关者的位置为基础的每一个交易。发现这些类别具有不同的处方量水平，最高组的每日MME平均值为96.50（95% CI [63.43，99.57]），最低组为37.78（95% CI [37.38，38.18]）。ARIMA模型显示总体处方量从53.68（95% CI [53.33，54.02]）降至51.09（95% CI [50.74，51.44]），不同类别的影响不同。结论：政策在减少阿片类药物处方量方面是有效的。然而，在开处方的医生距离病人超过1000英里的地方，开处方的数量增加了，暗示了医生购物的可能性。
2023-01-21 stat.AP
Pair circulas modelling for multivariate circular time series
本文研究多元圆时间序列建模，提出通过圆连接函数描述横截面与序列依赖性，将多元圆连接函数密度分解为配对圆连接函数密度乘积，并结合严格平稳多阶马尔可夫过程减少参数，最后通过风向数据验证了模型有效性。
2023-11-22 stat.ME
Modelling matrix time series via a tensor CP-decomposition
本文提出基于张量CP分解的矩阵时间序列建模新方法，利用广义特征分析实现一次估计，并通过投影改进提升有限样本性能，在非平稳下建立渐近理论，有效降维建模与预测。
2022-07-25 stat.ME stat.ML
Variational latent discrete representation for time series modelling
针对离散潜在空间时间序列建模中高维先验需单独训练的问题，本文提出以 Markov 链建模离散状态的潜在数据模型，支持快速端到端训练，并在建筑管理与电力变压器数据集上验证。
2023-08-16 stat.ML
PoARX Modelling for Multivariate Count Time Series
本文介绍了多元Poisson自回归模型与外生协变量（PoARX）的建模多元时间序列的计数。我们获得的PoARX过程是平稳和遍历的条件，然后提出了一个计算效率高的过程，估计参数的推断函数的方法（IFM），并获得这些估计的渐近正态性。最后，我们展示了一个应用程序，用于计算进出建筑物的人数，并展示了模型的不同方面如何结合起来产生一个强大的预测模型。最后，我们提出了一些进一步的应用领域，并列出了未来工作的方向。
2018-06-13 stat.ME
Modelling, simulation and inference for multivariate time series of counts
本文提出了一种新的连续时间建模框架的多元时间序列的计数，具有无限可分的边缘分布。该模型基于由Lévy噪声驱动的混合移动平均过程-称为拖网过程-其中序列相关性和横截面依赖性彼此独立地建模。这样的过程可以表现出短或长的记忆。我们推导出一个随机模拟算法和一个统计推断方法，这样的过程。新的方法，然后应用到高频的金融数据，在那里我们调查的数量之间的关系的限制订单提交和删除的限制订单书。
2016-08-10 stat.ME
Modelling Time-Varying First and Second-Order Structure of Time Series via Wavelets and Differencing
在实践中观察到的大多数时间序列表现出随时间变化的趋势（一阶）和自协方差（二阶）的行为。差分是一种常用的技术，以消除这种序列中的趋势，以估计（差分序列的）时变二阶结构。然而，我们通常需要对原始序列的二阶行为进行推断，例如，在进行趋势估计时。在这篇文章中，我们提出了一种方法，使用差分，联合估计的时变趋势和二阶结构的非平稳时间序列，在局部平稳小波建模框架。我们开发了一个基于小波的估计的二阶结构的原始时间序列的基础上的差分估计，并展示了如何将其纳入估计的趋势的时间序列。我们进行了模拟研究，以调查的方法的性能，并通过分析环境和生物医学科学的数据例子，证明该方法的实用性。
2022-04-06 stat.ME
Compositional dynamic modelling for causal prediction in multivariate time series
本文基于多元动态模型的序列贝叶斯分析理论，提出一种用于多元时间序列因果预测的组合动态建模方法，扩展了贝叶斯反事实分析，并定义了结果自适应建模概念，通过商业营销干预案例验证了方法的有效性。
2024-06-04 stat.AP stat.ME
Modelling volatile time series with v-transforms and copulas
提出了一种利用均匀随机变量的一类保均匀变换对波动性时间序列建模的方法。V变换描述了时间序列的平稳分布的分位数与可预测波动率代理变量的分布的分位数之间的关系。它们可以表示为copula，并允许制定和估计的模型，结合任意的边际分布与copula过程的波动率代理的动态。使用高斯ARMA Copula过程和由此产生的模型来说明这个想法，以复制许多程式化的事实的金融收益序列，并方便计算的边际和条件的特征，包括分位数的风险措施的模型。估计是通过调整精确的最大似然方法来估计ARMA过程进行的，该模型在比特币回报数据的实证应用中与标准Gestival具有竞争力。
2021-01-12 q-fin.RM stat.ME
Factor Modelling for Clustering High-dimensional Time Series
我们提出了一种新的无监督学习方法聚类大量的时间序列的基础上的潜在因素结构。除了影响所有相关时间序列的一些公共因子之外，每个聚类的特征在于其自身的聚类特殊因子。我们的设置还提供了一些灵活性，即某些时间序列可能不属于任何聚类。对于公共因子、簇-特殊因子、潜在簇的估计，建立了与显式收敛速度的一致性。数值说明与模拟数据以及一个真实的数据的例子也报告。作为一个副产品，提出的新方法还显着推进了Lam和Yao（2012）的因子模型的统计推断。
2022-09-08 math.ST stat.ME stat.TH
Tail-robust factor modelling of vector and tensor time series in high dimensions
针对重尾高维向量与张量时间序列因子建模问题，提出结合张量分解两步法与数据截断的鲁棒估计方法，推导其理论性质，给出因子数确定准则，经模拟和宏观数据验证性能良好。
2025-09-05 stat.ME
On the modelling and prediction of high-dimensional functional time series
提出一种两步法建模和预测高维函数时间序列，通过特征分析与线性变换分组降维，在各组内建立由向量时间序列表示的有限维动态结构，并经理论和实验验证了方法的有效性。
2024-06-02 econ.EM math.ST stat.ME
Application of Levy Processes in Modelling (Geodetic) Time Series With Mixed Spectra
最近，已开发出各种模型，包括分数布朗运动（fBM），用于分析大地测量时间序列的随机特性，以及提取地球物理信号。这些时间序列的噪声频谱通常被建模为混合频谱，具有白噪声和有色噪声的总和。在这里，我们感兴趣的是建模的剩余时间序列，确定性地减去地球物理信号从观察。然后假设该残差时间序列是三个随机变量（r.v.）的和，最后一辆房车属于列维过程家族该随机项对剩余的残差信号和其他相关过程进行建模。通过仿真和实际时间序列，我们识别出三类Levy过程：高斯过程、分数阶过程和稳定过程。在第一种情况下，残差主要由短记忆过程组成。分数阶Levy过程可以作为fBm的替代模型，在长期相关性和自相似性的存在下。稳定过程的特征是方差很大，这在重尾分布的情况下也能满足。应用大地测量时间序列意味着潜在的焦虑，在功能模型选择，缺失的地球物理信息可以产生这样的残留时间序列。
2019-08-08 stat.AP stat.ME
Modelling clusters in network time series with an application to presidential elections in the USA
本文提出 community-α GNAR 模型，利用先验知识或外生变量建模网络时间序列中的跨社区动态交互，并将其用于分析美国总统选举中红州、蓝州与摇摆州的全局及社区效应。
2024-07-05 stat.AP stat.ME
Random cohort effects and age groups dependency structure for mortality modelling and forecasting: Mixed-effects time-series model approach
本文提出一种考虑年龄组依赖性和随机队列效应的混合效应时间序列模型，用于死亡率建模与预测，无需预设约束即可量化参数不确定性，且在多国数据上的预测精度显著优于CBD模型。
2021-12-31 stat.AP stat.CO stat.ML
Modelling discrete valued cross sectional time series with observation driven models
本文发展了计算上可行的方法来估计随机效应模型的背景下，回归建模的多个独立的时间序列的离散值计数，其中有序列依赖。给定协变量、随机效应和工艺历史，每个系列中每个时间的观测响应是独立的，并具有指数族分布。我们发展的混合效应模型的极大似然估计使用一个观察驱动的广义线性自回归移动平均规格的序列依赖在每个系列。本文提出了一种易于实现的方法，它使用现有的单一时间序列方法来处理串行相关结构，结合自适应高斯求积来近似似然及其导数所需的回归随机效应上的积分。提出的模型和方法允许扩展现有的混合模型程序的计数数据，将串行依赖，可以在不同的形式和强度在各个系列。该模型的结构与具有随机效应的纵向数据转换模型有一些相似之处。然而，与该设置不同，在该设置中，有许多病例，每个病例的观察值很少到中等，时间序列设置中，每个序列的观察值很多，横截面时间序列的观察值很少到中等。该方法被示出的时间序列的二进制响应的音乐功能从一组听众。
2016-06-09 stat.ME
High-dimensional time series segmentation via factor-adjusted vector autoregressive modelling
向量自回归（VAR）模型被广泛用于建模高维时间序列，其分段扩展允许数据中的结构变化。在VAR建模中，参数的数量随着维数的平方增长，这使得在高维中需要稀疏性假设。然而，这是有争议的，是否这样的假设是足够的处理数据集表现出强烈的序列和横截面的相关性。我们提出了一个分段平稳的时间序列模型，同时允许强相关性以及结构变化，其中普遍的序列和横截面的相关性占一个随时间变化的因素结构，和任何剩余的特质变量之间的依赖是由分段平稳VAR模型处理。我们提出了一个附带的两阶段的数据分割方法，充分解决了组件过程的延迟所带来的挑战。它在估计潜在分量中变化点的总数和位置方面的一致性是在比现有文献中的条件更一般的条件下建立的。我们证明了所提出的方法在模拟数据集上的竞争力表现，并应用于美国蓝筹股数据。
2023-01-20 stat.ME
Methodological variations in lagged regression for detecting physiologic drug effects in EHR data
我们研究了如何滞后线性回归可以用来检测药物的生理效应从数据中的电子健康记录（EHR）。我们系统地研究了方法变化（（i）时间序列构建，（ii）时间参数化，（iii）受试者内标准化，（iv）差分（通过连续测量之间的差异实现的滞后变化率），（v）解释变量，（vi）回归模型）对滞后线性方法性能的影响。我们为7种药物和4个实验室之间的预期成对关系生成了两个金标准（一个来自知识库，一个专家策划），并评估了64种独特的方法学扰动组合如何重现金标准。我们的28个队列包括哥伦比亚大学医学中心/纽约长老会医院临床数据库中的患者。最准确的方法获得的AUROC为0.794（95%CI [0.741，0.847]）和0.705（95%CI [0.629，0.781]），用于知识库衍生的金标准品。我们在所有方法中观察到0.633的平均AUROC（95%CI [0.610，0.657]，专家策划的金标准），这些方法根据序列重新参数化时间，并使用具有差异的联合自回归模型或不具有差异的独立滞后模型。这套方法的补充实现了平均AUROC接近0.5，表明这些选择的重要性。我们的结论是，电子健康记录数据的时间序列分析将可能依赖于一些有益的预处理和建模方法，并肯定会受益于持续仔细分析的方法扰动。这项研究发现，方法的变化，如预处理和表示，显着影响结果，揭示了在比较机器学习方法时评估这些组件的重要性。
2018-01-26 q-bio.QM stat.AP stat.ME
Inference on the tail process with application to financial time series modelling
为了推断重尾马尔可夫链中的序列极值依赖性，Drees，Segers和Warchoirs [Extremes（2015）18，369- 402]提出了谱尾过程的非参数估计。该方法可以扩展到更一般的设置一个固定的，定期变化的时间序列。利用聚类泛函的经验过程理论，得到了估计量的大样本分布。通过蒙特卡罗模拟评估这些估计的有限样本性能。此外，两个不同的引导计划，产生置信区间的前渐近谱尾过程：平稳引导和乘子块引导。将该估计应用于股票价格数据，研究了正负冲击的持续性。
2018-01-29 stat.ME
Modelling Loss of Complexity in Intermittent Time Series and its Application
提出非参数相对熵RlEn方法，结合非线性自回归建模、BIC定阶与CUSUM变点检测，用于间歇性时间序列复杂性丧失建模，并在模拟和人体运动疲劳分析中优于ApEn。
2025-01-06 stat.AP stat.ME
Modelling and optimization of nanovector synthesis for applications in drug delivery systems
Tecnologico de Monterrey（蒙特雷科技大学）；Hospital Zambrano-Hellion（赞布拉诺-赫利翁医院）
基于纳米结构物质如纳米颗粒（NPs）的纳米载体（NVs）已被证明是优异的药物递送系统。然而，由于各种各样的潜在的纳米粒子，包括纳米粒子材料及其功能化，除了过多的分子，可以运输，这个领域提出了一个巨大的挑战，在资源方面找到最佳的物理化学性质，如粒径和载药量，其中大部分的努力依赖于试错实验。在这方面，人工智能（AI）和元启发式算法分别提供了最先进的建模和优化的效率。这篇评论的重点是，通过系统的搜索，使用人工智能和超启发式算法的纳米粒子合成药物输送系统。主要调查结果如下：神经网络比线性回归算法和响应面方法更好地建模NV属性，比较AI或元启发式算法的研究数量非常有限，并且没有关于样本量计算适当性的信息。基于这些发现，多层感知器人工神经网络和自适应神经模糊推理系统的建模性能进行了测试与NV数据集，发现后者的更好的算法。对于元启发式算法，分别用布谷鸟搜索、萤火虫算法、遗传算法和共生体搜索对基准函数进行优化，发现布谷鸟搜索和共生体搜索的性能最好。最后，方法来估计适当的样本量的AI算法进行了讨论。
2021-11-10 cs.LG cs.NE
A Simple and Effective Random Forest Modelling for Nonlinear Time Series Data
针对现有随机森林方法难以捕捉非线性时间序列时间依赖性的问题，提出随机权重随机森林（RF-RW），通过避免自助重采样保留序列依赖、引入随机权重降低树间相关性，理论上建立集中界和一致性保证，实验中优于现有方法及SVM、LSTM等基准模型。
2025-11-17 math.ST stat.ME stat.TH
Monitoring Count Time Series in R: Aberration Detection in Public Health Surveillance
公共卫生监测旨在减轻疾病负担，例如，在传染病的情况下，及时识别新出现的疫情。从统计角度看，这意味着使用适当的方法监测汇总病例报告的时间序列。本文介绍的工具，这种自动像差检测提供的R包监督。我们介绍了监视时间序列的可视化，建模和监测的功能。关于建模，我们专注于单变量时间序列建模的基础上广义线性模型（GLM），多元GLM，广义可加模型和广义可加模型的位置，形状和规模。这范围从说明实施的改进和扩展的众所周知的法林顿算法，例如，通过样条建模或通过治疗它在贝叶斯上下文中。此外，我们着眼于分类时间序列和地址过度分散使用β-二项式或狄利克雷-多项式建模。关于监测，我们认为检测器的基础上观察到的计数和预测分布之间的Shewhart样的单个时间点比较或基于似然比的累积和方法。最后，我们说明了如何监测可以支持畸变检测在实践中将其整合到监测工作流程的公共卫生机构。总之，本文显示了如何以及监测可以支持自动畸变检测在公共卫生监测方面。
2014-11-05 stat.CO
Modelling, Detrending and Decorrelation of Network Time Series
网络时间序列是由描述变量（或节点）如何连接的图增强的多变量时间序列。我们介绍了网络自回归（集成）移动平均（NARIMA）过程：一组灵活的网络时间序列模型。对于固定网络，NARIMA模型基本上等同于向量自回归移动平均模型。然而，NARIMA模型在与多变量时间序列相关的图形结构随时间变化时特别有用。这样的网络拓扑变化是不可见的标准VARMA类模型。对于集成NARIMA模型，我们引入了基于网络提升（小波）变换的网络差分，该变换消除了趋势。我们展示了我们的技术在网络上的时间序列描述了2005年期间每周在英格兰和威尔士各县腮腺炎的演变。我们进一步证明了一个简单的二元VAR（1）模型与相关的两个节点图的网络提升的作用。我们从理论上表明，去相关只发生在某些情况下，可能比预期的要少。这表明空间网络提升的时间去相关特性更多地是由于提升的趋势去除特性，而不是任何类型的随机去相关。
2016-03-10 stat.ME
A hierarchical modelling approach to assess multi pollutant effects in time-series studies
在评估空气污染对健康结果的短期影响时，通常的做法是一次考虑一种污染物，因为它们具有高度的相关性。最近提出了多污染物方法，主要包括将不同的污染物分解成空气质量指数或将污染物聚类，然后评估每个聚类对健康结果的影响。这种方法的一个主要缺点是不可能评估每种污染物对健康的影响。在本文中，我们提出了使用贝叶斯分层框架来处理多污染物浓度的两个组成部分的模型：污染物模型被指定来估计“真正的”浓度值，如果你的每一种污染物，然后这样的浓度是链接到健康结果的时间序列的角度来看。通过模拟研究，我们评估了模型的性能，我们应用建模框架，以调查在2011-2012年大伦敦六种污染物对心血管死亡率的影响。
2018-08-24 stat.AP
On the number of signals in multivariate time series
我们假设一个二阶源分离模型，其中所观察到的多元时间序列是一个潜在的，时间上不相关的时间序列与一些成分纯白噪声的线性混合物。为了避免噪声的建模，我们使用一些标准的方法提取非噪声潜在成分，允许单独建模提取的单变量时间序列。一个重要的问题是确定哪些潜在成分在建模中是感兴趣的，哪些可以被认为是噪声。基于Bootstrap的方法最近已被用于确定潜在的尺寸在各种方法的无监督和监督的降维，我们提出了一套类似的估计策略，二阶平稳时间序列。仿真研究和一个声波的例子来说明该方法的有效性。
2018-01-14 stat.ME
Modelling multivariate ordinal time series using pairwise likelihood
Athens University of Economics and Business（雅典经济与商业大学）
本文提出利用Copula和条件配对似然建模多变量有序时间序列，通过独立最大化双变量模型并使用加权平均合成估计，展示了在不同样本量下的良好拟合效果和预测方法。
2026-02-13 stat.ME
Vector Time Series Modelling of Turbidity in Dublin Bay
浊度作为一项重要的水质指标经常被监测。人类活动，如疏浚和倾倒作业，可能会破坏浊度水平，应监测和分析可能的影响。在本文中，我们在都柏林湾的浊度随时间和空间的变化进行建模，调查倾倒和疏浚的影响，同时控制风速的影响，作为一种常见的大气效应。我们开发了一种新的向量自回归条件异方差（VRESS）方法来模拟不同位置和不同水深的浊度的动态行为。我们使用2017-2018年期间的每日浊度值来拟合模型。我们表明，我们的拟合模型的结果与观测数据一致，并通过贝叶斯可信区间测量的不确定性，很好地校准。此外，我们表明，疏浚和倾倒对浊度的日常影响是可以忽略不计的风速相比。
2022-09-14 stat.AP
Semiparametric stochastic volatility modelling using penalized splines
随机波动率（SV）模型模拟了许多归因于资产收益时间序列的程式化事实，同时保持了概念上的简单性。然而，考虑到波动性，通常假设的条件正态分布或学生t分布的回报率受到了质疑。在这篇手稿中，我们介绍了一种新的最大惩罚似然方法估计的条件分布在SV模型中的非参数的方式，从而避免任何潜在的关键假设的形状。所考虑的框架利用了强大的隐马尔可夫模型机械和惩罚B-样条的优势，并构成了一个强大的和灵活的替代最近开发的贝叶斯方法半参数SV建模。我们证明了这种方法的可行性，在模拟研究之前，概述了它的潜力，应用到三个系列的股票收益率和一个系列的股票指数收益率。
2014-06-17 q-fin.ST stat.ME
An Efficient Approach to Graphical Modelling of Time Series
针对Matsuda提出的高维平稳高斯时间序列图模型后向选择算法计算成本过高的问题，本研究通过多重假设检验重构方法，将计算复杂度降低$O(p^2)$，检验功效不逊原方法且易并行加速。
2015-02-10 stat.AP stat.CO
Modelling time series of counts with hysteresis
本文提出带阈值的滞回泊松自回归（HPART）模型，通过引入科学相关的控制因子实现真正的滞回效应，并统一研究了其与BPART模型的参数估计、渐近性质及非嵌套假设检验，在真实数据上展示了更好的解释性和样本外预测能力。
2025-09-19 stat.ME
Modelling Structural Breaks In Stock Price Time Series Using Stochastic Differential Equations
本研究针对季度盈利报告对股价的影响问题，用几何布朗扩散、CEV模型及多种随机微分方程变体，结合最大似然估计与网格搜索法拟合报告前后时段，证实盈利报告是股价序列的结构突变点，现有预测模型需重新拟合。
2023-08-22 stat.AP stat.ME
GARCH modelling in continuous time for irregularly spaced time series data
离散时间的GARCH方法对时间序列中异方差性的建模产生了如此深远的影响，它直观上很好地捕捉了有关金融序列的许多“程式化事实”，现在几乎经常用于各种情况，通常包括在数据不是以等间隔时间观察的情况。然而，这样的数据更适合用连续时间模型进行分析，该模型保留了成功的Gynecological范式的基本特征。一种可能的扩展是Nelson的扩散极限，但这是有问题的，因为离散时间GARCH模型和它的连续时间扩散极限在统计上是不等价的。作为替代方案，Klüppelberg等人最近引入了一个连续时间版本的GARCH（“COGARCH”过程），它直接从背景驱动莱维过程构建。本论文展示了如何适合这个模型的不规则间隔的时间序列数据使用离散时间Gestival方法，通过近似COGestival与嵌入序列的离散时间Gestival系列收敛到连续时间模型在很强的意义上（概率，在Skorokhod度量），作为离散近似网格越来越细。这一特性在某些其他应用中也特别有用，例如期权定价。的方式是开放的，然后使用，COGestival，类似的统计技术已经制定了GARCH模型，并说明这一点，实证调查使用股票指数数据进行。
2008-05-14 math.ST q-fin.ST stat.TH
Functional modelling of microarray time series with covariate curves
在本文中，我们已经证明了一个完整的框架，分析微阵列时间序列数据。微阵列数据的独特特性很适合于功能数据分析方法，我们已经展示了这是如何自然地扩展到包括协变量，如年龄和性别。我们这里提出的模型是一个专业化的更一般的功能混合效应模型，据我们所知，我们是第一个展示如何获得最大似然估计，EM算法，置信区间和平滑矩阵与一个以上的固定效应函数。我们的动机是一个真实的数据集，描述健康人类基因表达水平随时间的变化，我们的目标是用一个更灵活的模型来改进现有的结果。通过采用粗糙度惩罚方法，在避免过拟合的同时实现了这一点，允许在数据允许的情况下偏离原始线性混合效应模型。需要更深入的生物学解释才能充分评估我们的成功，但我们在本文中强调的结果表明，我们可以很容易地为我们的发现赋予意义。
2011-12-08 stat.ME
PerturbPFN: Probing the Limits of Synthetic Priors in Drug Perturbation Modelling
University of Cambridge（剑桥大学）；Prior Labs（普瑞尔实验室）
针对预测细胞对未知化学扰动反应的挑战，提出PerturbPFN模型，通过推断潜在系统图等并经SCM解码器传播效果，基于合成情节训练，在真实和合成数据上评估，实现低推理成本且具可解释性的扰动预测。
2026-07-28 cs.LG
Utilising Graph Machine Learning within Drug Discovery and Development
Relation Therapeutics（Relay Therapeutics（注：原文为Relation Therapeutics，直译：关系治疗公司））；University of Cambridge（剑桥大学）；Juvenescence（Juvenescence公司）；Mila, the Quebec AI Institute（米拉魁北克人工智能研究所）；HEC Montreal（蒙特利尔高等商学院）；The Francis Crick Institute（弗朗西斯·克里克研究所）；Imperial College London（帝国理工学院）；Twitter（推特）
图机器学习（GML）在制药和生物技术行业中受到越来越多的关注，因为它能够建模生物分子结构，它们之间的功能关系，以及集成多组学数据集-以及其他数据类型。在此，我们提出了一个多学科的学术产业审查的背景下，药物发现和发展的主题。在介绍了关键术语和建模方法后，我们按时间顺序通过药物开发管道来识别和总结工作，包括：目标识别，小分子和生物制剂的设计以及药物再利用。虽然该领域仍处于新兴阶段，但包括进入体内研究的再利用药物在内的关键里程碑表明，图机器学习将成为生物医学机器学习中的首选建模框架。
2021-02-10 cs.LG q-bio.QM
TrialGraph: Machine Intelligence Enabled Insight from Graph Modelling of Clinical Trials
AstraZeneca（阿斯利康）；University of Cambridge（剑桥大学）
药物开发成功的一个主要障碍是临床试验的复杂性、成本和规模。临床试验数据的详细内部结构可能使常规优化难以实现。机器学习的最新进展，特别是图结构数据分析，有可能在改善临床试验设计方面取得重大进展。TrialGraph试图应用这些方法来产生一个概念验证框架，用于开发可以帮助药物开发并使患者受益的模型。在这项工作中，我们首先介绍了从CT.gov，AACT和TrialTrove数据库（n=1191项试验;代表100万例患者）中编译的精心策划的临床试验数据集，并描述了将这些数据转换为图形结构格式。然后，我们详细的数学基础和实施的选择图机器学习算法，通常使用标准的机器分类器的图形数据嵌入在一个低维的特征空间。我们训练了这些模型，以在给定疾病、现有医疗状况和治疗信息的情况下预测临床试验的副作用信息。MetaPath 2 Vec算法表现非常好，标准逻辑斯谛回归、决策树、随机森林、支持向量和神经网络分类器的典型ROC-AUC评分分别为0.85、0.68、0.86、0.80和0.77。值得注意的是，当在等效的数组结构数据上训练时，性能最好的分类器只能产生0.70的典型ROC-AUC分数。我们的工作表明，图建模可以显着提高适当数据集的预测精度。该项目的后续版本细化了建模假设，并纳入了更多的数据类型，可以在药物开发的实际应用中产生出色的预测器。
2021-12-15 cs.AI cs.LG q-bio.QM
A Scalable Predictive Modelling Approach to Identifying Duplicate Adverse Event Reports for Drugs and Vaccines
Uppsala Monitoring Centre（乌普萨拉监测中心）
本文提出了一种基于预测建模的重复不良事件报告识别方法，通过优化特征和国家特定数据，提高了药物和疫苗的检测精度和召回率。
2026-01-22 cs.AI cs.LG
Using Clinical Drug Representations for Improving Mortality and Length of Stay Predictions
TOBB University of Economics and Technology（TOBB经济与技术大学）
药物表征在化学信息学中发挥着重要的作用。然而，在医疗保健领域，由于高维药物表示的复杂性以及缺乏将允许将临床药物转换为其表示的适当管道，相对于电子健康记录（EHR）数据的其余部分，药物表示未被充分使用。时变生命体征、实验室测量和相关时间序列信号通常用于预测临床结果。在这项工作中，我们证明了除了其他临床特征之外，使用临床药物表示具有显著的潜力，可以提高死亡率和住院时间（LOS）模型的性能。我们评估了两种不同的药物表示方法（扩展连接指纹ECFP和SMILES-Transformer嵌入）对临床结果预测的影响。结果表明，所提出的多模态方法实现了大幅提高临床任务的基线模型。使用临床药物表示作为附加特征，将受试者操作特征下面积（AUROC）的LOS预测提高了约%6，将精确-回忆曲线下面积（AUPRC）的LOS预测提高了约%5。此外，对于死亡率预测任务，在AUROC方面，时间序列基线改善了约%2，在AUPRC方面改善了约%3.5。所提出的方法的代码可在https://github.com/tanlab/MIMIC-III-Clinical-Drug-Representations上获得。
2021-10-17 cs.LG q-bio.QM
Input-Output Non-Linear Dynamical Systems applied to Physiological Condition Monitoring
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦·图灵研究所）；Queen Elizabeth University Hospital（伊丽莎白女王大学医院）
我们提出了一个非线性动力系统建模的药物输注对重症监护病房（ICU）的患者的生命体征的影响。更具体地说，我们感兴趣的是模拟广泛使用的麻醉药物（丙泊酚）对患者的麻醉和血流动力学监测深度的影响。我们将我们的方法与药代动力学/药效学（PK/PD）文献中的方法进行了比较，结果表明，我们可以在不需要在我们的系统中纳入专业生理知识的情况下显着提高性能。
2016-10-08 cs.LG
Hybrid Quantum Generative Adversarial Networks for Molecular Simulation and Drug Discovery
QuantumAI Lab, Fractal Analytics（量子AI实验室，Fractal分析公司）；Department of Physics and Astronomy, University College London（物理与天文学系，伦敦大学学院）
本文提出三种新型量子生成对抗网络架构，用于提升药物分子性质分析的效率与准确性。
2026-03-21 cs.LG q-bio.BM quant-ph
Depression Diagnosis and Drug Response Prediction via Recurrent Neural Networks and Transformers Utilizing EEG Signals
Baylor College of Medicine（贝勒医学院）；Michael E. DeBakey VA Medical Center（迈克尔·E·德贝基退伍军人事务医疗中心）
抑郁症的早期诊断和治疗是有效治疗的关键。抑郁症虽然是最常见的精神疾病之一，但在研究和临床实践中仍然知之甚少。在不同的治疗方法中，药物处方被广泛使用，但药物治疗对许多患者无效。在这项工作中，我们提出了一种方法，用于重性抑郁症（MDD）的诊断，以及一种方法，用于预测药物反应的MDD患者使用EEG信号。方法：我们采用Transformers，这是一种改进的递归神经网络与新的结构，以评估时间序列的时间依赖性有效。我们还将该模型与众所周知的深度学习方案（如CNN，LSTM和CNN-LSTM）进行了比较。结果：Transformer对正常人和抑郁症患者的平均召回率为99.41%，准确率为97.14%。此外，Transformer在对药物有反应者和无反应者进行分类方面也表现良好，准确率为97.01%，召回率为97.76%。结论：在相似数量的参数上优于其他方法，建议的技术作为筛查工具，似乎有可能帮助医疗保健专业人员评估MDD患者的早期诊断和治疗。重要性：本研究的主要创新之处在于，使用Transformers分析脑电信号，取代了递归模型作为一种新的结构来检查时间序列的时间依赖性。
2023-03-09 cs.LG eess.SP
Meteorological time series forecasting based on MLP modelling using heterogeneous transfer functions
University of Corsica（科西嘉大学）；CNRS（法国国家科学研究中心）；University of Galatasaray（加拉塔萨雷大学）
在本文中，我们建议研究四个气象和季节性的时间序列加上多层感知器（MLP）建模。我们选择将隐藏层节点的两个传递函数结合起来，并使用时间指示符（时间索引作为输入），以考虑所研究时间序列的季节性。预测的结果涉及两年的测量和学习步骤，八个独立的年份。我们表明，这种方法可以提高气象数据估计的准确性相比，一个经典的MLP建模具有均匀的传递函数。
2014-04-29 cs.LG
Predictive Modelling of Natural Medicinal Compounds for Alzheimer disease Using Machine Learning and Cheminformatics
Department of Biomedical Engineering（生物医学工程系）；Hamdard University（哈姆达德大学）；Department of Computer Science and Engineering（计算机科学与工程系）；Malardalen University（马尔默大学）
本研究利用机器学习和化学生物学方法，通过分子描述符筛选天然化合物的抗痴呆活性，验证了随机森林等集成方法在预测准确性上的优势，揭示了脂溶性、分子量和极性等关键物理化学性质对神经保护作用的影响。
2026-04-25 cs.LG q-bio.OT
On the balance between the training time and interpretability of neural ODE for time series modelling
NSS Lab（NSS实验室）；ITMO University（圣彼得堡国立信息技术机械与光学大学）
大多数机器学习方法都被用作建模的黑盒。我们可以尝试从基于物理的训练方法中提取一些知识，例如神经ODE（常微分方程）。神经ODE的优势，如一个可能更高类别的代表功能，扩展的解释能力相比，黑箱机器学习模型，能够描述趋势和本地行为。这些优势对于具有复杂趋势的时间序列尤其重要。然而，与广泛用于数据驱动时间序列建模的自回归模型和长短期记忆（LSTM）网络相比，已知的缺点是训练时间长。因此，我们应该能够平衡可解释性和训练时间，以将神经ODE应用于实践。本文表明，现代神经ODE不能减少到更简单的模型的时间序列建模应用。神经ODE的复杂性相比，或超过传统的时间序列建模工具。唯一可以提取的解释是算子的本征空间，这是一个大系统的不适定问题。可以使用不同的经典分析方法提取光谱，这些方法没有延长时间的缺点。因此，我们减少了神经ODE到一个更简单的线性形式，并提出了一个新的观点，时间序列建模结合神经网络和ODE系统的方法。
2022-06-07 cs.LG math.CA
HistoKernel: Whole Slide Image Level Maximum Mean Discrepancy Kernels for Pan-Cancer Predictive Modelling
HistoKernel通过最大均值差异核提升全切片图像层面的跨癌症预测性能，实现多模态数据整合与斑块级可解释性。
2024-08-09 cs.AI cs.LG
Predicting gene essentiality and drug response from perturbation screens in preclinical cancer models with LEAP: Layered Ensemble of Autoencoders and Predictors
提出LEAP集成框架，聚合多种基因表达表示模型的回归预测，提升未筛选细胞系的扰动反应预测性能，并借助可解释性方法识别关键通路，加速药物发现。
2025-10-17 cs.LG
Oscillators Are All You Need: Irregular Time Series Modelling via Damped Harmonic Oscillators with Closed-Form Solutions
Department of Physics（物理系）；Ashoka University（阿什oka大学）；Department of Computer Science（计算机科学系）
本文提出利用阻尼谐振子替代传统ODEs，通过正弦基扩展查询，实现不规则时间序列建模，理论证明其具备通用逼近性并提升效率。
2026-05-12 cs.LG
Recent Trends in Modelling the Continuous Time Series using Deep Learning: A Survey
IBM in Ireland（爱尔兰IBM公司）；Maynooth University（梅努斯大学）；Hamilton Institute（汉密尔顿研究所）
该综述梳理了连续时间序列建模的问题与挑战，对比分析了近年深度学习模型在该领域的进展与贡献，同时指出现有模型的局限与开放问题，以厘清相关神经网络模型的应用发展趋势。
2024-09-13 cs.AI cs.LG
Towards a Better Model with Dual Transformer for Drug Response Prediction
School of Computer Science, Wuhan University（武汉大学计算机学院）；School of Computing, Macquarie University（麦考瑞大学计算学院）；Mechanical Engineering Research Institute of the Russian Academy of Sciences（俄罗斯科学院机械工程研究所）；Hubei Cancer Hospital（湖北省肿瘤医院）；Renmin Hospital of Wuhan University（武汉大学人民医院）；Wuhan University Shenzhen Research Institute（武汉大学深圳研究院）
针对现有药物反应预测方法难捕捉药物化学键信息、基因组序列建模缺全局信息的问题，提出带边嵌入的解耦双Transformer结构TransEDRP，分别建模药物与细胞系基因组，融合后预测IC50，性能优于主流方法。
2024-12-10 cs.AI cs.LG q-bio.BM
SeqLink: A Robust Neural-ODE Architecture for Modelling Partially Observed Time Series
RMIT University（皇家墨尔本理工大学）；University of New South Wales（新南威尔士大学）
本文提出 SeqLink 神经 ODE 架构，通过链接多个样本的潜在表征来建模未观测值，从而提升不同稀疏度和序列长度下部分观测时间序列的鲁棒性，并在合成与真实数据集上优于现有方法。
2024-08-05 cs.LG
