使用完整的患者病史预测临床事件的个人风险仍然是个性化医学的主要挑战。在用于计算个体动态预测的方法中，联合模型具有在辍学时使用所有可用信息的资产。但是，它们仅限于少量的纵向预测因子。我们的目标是提出一种创新的替代解决方案，以使用可能大量的纵向预测变量来预测事件概率。我们开发了Dynforest，这是处理内源性纵向预测因子的竞争风险的随机生存森林的扩展。在树的每个节点上，将时间依赖的预测变量转换为定期特征（使用混合模型），以用作将受试者分为两个亚组的候选者。单个事件的概率是由Aalen-Johansen估计器在每棵树中估算的，该叶子的叶子是根据其预测因子史对受试者进行分类的。最终的个人预测由特定于树特定的个人事件概率的平均值给出。我们进行了一项仿真研究，以证明在小维环境（与关节模型相比）和较大的维环境（与忽略内容丰富的辍学方法的回归校准方法相比）中的DynForest的性能。我们还将DynForest应用于（i）根据认知，功能，血管和神经脱位标记的重复度量预测老年人痴呆的个体概率，以及（ii）量化每种标记物对痴呆预测的重要性。在R软件包DynForest中实施，我们的方法论为预测纵向内生预测变量的事件的方法提供了解决方案。
translated by 谷歌翻译
非负矩阵分解（NMF）模型被广泛用于恢复线性混合的非负数据。当数据是由连续信号采样的数据时，NMF中的因素可能被限制为非负合理函数的样本，这些函数允许相当通用的模型。使用Rational功能（R-NMF）称之为NMF。我们首先表明，在温和的假设下，R-NMF与NMF不同，这在基本上是独特的分解，这在需要恢复地面实际因素（例如盲源分离问题）的应用中至关重要。然后，我们提出了求解R-NMF的不同方法：R-HANLS，R-ANLS和R-NLS方法。从我们的测试中，没有什么方法明显优于其他方法，并且在时间和准确性之间应进行权衡。确实，R-Hanls对于大型问题而言是快速准确的，而R-ANLS更准确，但在时间和内存中都需要更多的资源。 R-NLS非常准确，但仅针对小问题。此外，我们表明R-NMF在各种任务中的表现都优于NMF，包括恢复半合成连续信号，以及实际高光信号的分类问题。
translated by 谷歌翻译
世界上最大的可可生产国C \^ote d'Ivoire and Ghana占全球可可生产的三分之二。在这两个国家，可可都是多年生作物，为近200万农民提供收入。然而，缺少可可种植区域的精确地图，阻碍了保护区，生产和产量的准确量化，并限制了可用于改善可持续性治理的信息。在这里，我们将可可种植园数据与公开可用的卫星图像结合在深度学习框架中，并为两国的可可种植园创建高分辨率地图，并被现场验证。我们的结果表明，可可栽培是C \^ote d'Ivoire和Ghane的保护区中森林损失的37％以上和13％的潜在驱动因素，该官员报告大大低估了种植的地区，最高40％在加纳。这些地图是提高可可生产地区保护和经济发展的关键基础。
translated by 谷歌翻译