HyperNSDE：用于静态与纵向临床数据联合生成的个性化神经随机微分方程

arXiv:2610.07383v1 公告类型：交叉发布 摘要：合成患者数据生成是应对医疗机器学习中数据稀缺与隐私限制双重挑战的一种有前景的解决方案。要逼真地合成患者级临床数据，需要对异质性静态协变量、不规则采样的纵向轨迹以及具有信息性的观测时间进行联合建模——这三个组成部分在实践中紧密耦合，却很少被一并处理。我们提出了 HyperNSDE，这是一种连续时间生成模型，通过超网络以患者静态表征为条件来调节潜在 Neural SDE，使基线特征能够在初始条件之外进一步影响轨迹演化，而无需轨迹编码器；同时，随机潜在动力学能够捕捉生成路径中的真实变异性。观测时间通过依赖潜在状态的强度过程进行联合建模，并通过确定性—随机性路径分解与非对抗性签名核目标，稳定不规则随机路径上的训练。在模拟数据集和真实临床数据集上的实验表明，该方法提高了观测时间的保真度，并取得了具有竞争力的性能；而匹配网格分析揭示，预测指标和相关性指标会受到观测网格规则性及轨迹平滑性的影响。