跳转至

Longitudinal Random Forests for Sparse and Irregular Response Trajectories

作者: Yangsheng Wang, Xiaotian Dai, Haoda Fu, Guifang Fu
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2607.21817

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：如何利用稀疏、不规则、不等间隔的纵向观测数据，建模并预测每个个体的完整响应轨迹，同时识别出驱动轨迹异质性的协变量及其非线性与交互效应。当前成熟度：方法学上已有多种尝试（参数/半参数/非参数/树方法），但没有一个框架能同时做到：(a) 处理严重稀疏和不规则数据；(b) 在节点内进行个体化轨迹估计；(c) 通过树结构自动学习非线性与交互协变量效应；(d) 对新个体预测完整轨迹、对已有个体预测未来轨迹。本文声称是第一个做到这四点的。

发展脉络（history）

  1. 奠基工作：传统参数方法
  2. Laird & Ware (1982)：提出线性混合效应模型（LMM），引入个体随机效应来建模个体轨迹和组内相关性。但假设线性轨迹和线性协变量效应，对动态轨迹和复杂交互不灵活。
  3. Liang & Zeger (1986)：提出广义估计方程（GEE），通过边际工作相关结构处理重复测量，但不建模个体轨迹，忽略个体间异质性。

  4. Yao, Müller & Wang (2005)：提出PACE（Principal Analysis by Conditional Expectation），用非参数核平滑估计总体均值和协方差函数，再通过条件期望估计个体FPC分数，特别适合稀疏不规则数据。但PACE本身不涉及协变量，后续的PACE-based functional regression是两步法（先提取FPC分数，再与协变量回归），信息未在轨迹估计时融合。

  5. 主要进展：树方法进入纵向数据

  6. Hajjem et al. (2011, 2014) / Sela & Simonoff (2012) / Capitaine et al. (2021)：提出SREEMF（Stochastic RE-EM Forest），将随机森林嵌入混合效应模型，用森林替代固定效应项来估计非线性均值结构。但它不显式地将协变量纳入节点内模型，且轨迹估计仍依赖参数随机效应。
  7. Kundu & Harezlak (2019)：提出LongCART，通过参数不稳定性检验选择分裂变量，仅在终节点用简约LMM（仅截距+时间效应）估计轨迹。不建模协变量效应，且终节点模型过于简单。

  8. Yu & Lambert (1999) / Neufeld & Heggeseth (2025)：提出SplineForest（SPLF），先用平滑样条估计个体轨迹，再对样条系数应用多元随机森林。两步法分离了轨迹估计与协变量学习，且平滑样条对稀疏数据不稳定。

  9. 当前frontier与本文位置

  10. 现有方法要么是两步法（SPLF、PACE-based regression），要么不显式建模协变量效应（SREEMF、LongCART），要么假设线性轨迹（LMM、GEE）。本文提出LRF，将节点内轨迹估计（PACE或adaptive LMM）与树结构联合优化，通过轨迹分裂准则同时学习协变量效应和轨迹异质性，是第一个在树框架内实现“节点内个体化轨迹估计 + 协变量效应自适应学习”的方法。

子线索聚类

  • 线索1：参数/半参数混合效应模型（LMM, GEE, LongCART, SREEMF）——依赖线性或预设结构，对非线性交互不灵活。
  • 线索2：非参数函数型方法（PACE, PACE-based functional regression, SPLF）——擅长轨迹估计，但两步法或对稀疏数据不稳定。
  • 线索3：树集成方法（Random Forest, SREEMF, LongCART, SPLF）——能处理非线性交互，但现有方法要么不建模轨迹（标准RF），要么两步法分离轨迹与协变量。
  • 本文位置：将线索2（非参数轨迹估计）与线索3（树集成）联合，提出一个统一框架。

这个方向在追问的核心问题

  1. 如何同时处理稀疏不规则数据、个体轨迹估计、非线性交互协变量效应？
  2. 如何设计一个分裂准则，能直接基于轨迹差异（而非标量终点）来分离异质子群？
  3. 如何对新个体预测完整轨迹（仅用协变量），并对已有个体预测未来轨迹（用协变量+历史观测）？
  4. 如何解释哪些协变量及其交互驱动了轨迹异质性？

⚠️ 作者的framing

  • 作者把缺口frame成：现有方法要么是标量终点分析（忽略轨迹），要么是两步法（分离轨迹估计与协变量学习），要么假设线性结构。因此，LRF作为“显然的下一步”——一个联合建模轨迹与协变量效应的树集成框架。
  • 被淡化/回避的竞争路线：
  • 深度学习方法（如RNN、LSTM、Neural ODE）——作者在intro中完全未提及。这些方法也能处理稀疏不规则数据，且能学习复杂非线性。作者可能认为它们缺乏可解释性，或在小样本下不稳定，但未讨论。
  • 贝叶斯非参数方法（如DP-GP、HDP-HMM）——也未提及。
  • 什么明显该被引/该存在、却没出现在intro里？
  • 关于“树方法+纵向数据”的近期综述（如Fokkema et al., 2022, WIREs Computational Statistics）——未引。
  • 关于“函数型数据+树方法”的近期工作（如Functional Random Forests by Ciarleglio et al., 2023, Biometrics）——未引。
  • 关于“稀疏不规则纵向数据+深度学习”的基准方法（如GRU-ODE-Bayes by De Brouwer et al., 2019, NeurIPS）——未引。
  • 值得研究者去查：这些缺失的引用是否意味着作者有意回避了更强的竞争方法？还是这些方法确实不适用于本文的设定（如样本量小、需要可解释性）？

张力

未见明显对立引用。所有被引工作基本一致地指出：现有方法在处理“稀疏不规则+非线性交互+个体轨迹预测”时存在不足，只是各自从不同角度切入。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：
  • \( i = 1, \dots, N \)：个体索引。
  • \( j = 1, \dots, T_i \)：个体 \( i \) 的第 \( j \) 次观测。
  • \( t_{ij} \)：个体 \( i \) 第 \( j \) 次观测的时间点（稀疏、不规则、不等间隔）。
  • \( Y_{ij} \)：个体 \( i \) 在时间 \( t_{ij} \) 的响应值（可观测）。
  • \( \mathbf{X}_i = (X_{i1}, \dots, X_{ip})^\top \in \mathbb{R}^p \)：个体 \( i \) 的 \( p \) 维基线协变量向量（可观测）。
  • \( \mathbf{Y}_i = (Y_{i1}, \dots, Y_{iT_i})^\top \)：个体 \( i \) 的响应向量（可观测）。
  • \( \widehat{Y}_i(t) \)：个体 \( i \) 在时间 \( t \) 的估计轨迹（要估计的对象）。
  • \( \mu_I(t) \)：节点 \( I \) 的总体均值函数。
  • \( \phi_{l,I}(t) \)：节点 \( I \) 的第 \( l \) 个特征函数（FPC）。
  • \( \xi_{il,I} \)：个体 \( i \) 在节点 \( I \) 的第 \( l \) 个FPC分数（潜在变量，需估计）。
  • \( \varepsilon_{ij} \)：测量误差。
  • \( \beta_0, \beta_t, \boldsymbol{\beta} \)：固定效应系数。
  • \( b_{i0}, b_{i1} \)：个体随机截距和随机斜率（潜在变量）。
  • \( n_I \)：节点 \( I \) 中的个体数。
  • \( \widehat{f}_I(t) \)：节点 \( I \) 的代表性轨迹（节点内个体轨迹的平均）。
  • \( S(X_k, c) \)：基于协变量 \( X_k \) 和阈值 \( c \) 的分裂准则值。
  • \( B \)：森林中树的数量。
  • \( \text{mtry} \)：每次分裂随机考虑的候选协变量数。
  • \( n_{\min} \)：最小节点大小。

  • \( d_{\max} \)：最大树深度。

  • 模型：

  • 数据生成机制：每个个体 \( i \) 有一个潜在的平滑轨迹 \( g_i(t) \)，观测 \( Y_{ij} = g_i(t_{ij}) + \varepsilon_{ij} \)，其中 \( \varepsilon_{ij} \) 是独立同分布噪声。轨迹 \( g_i(t) \) 由个体协变量 \( \mathbf{X}_i \) 通过一个未知的、可能非线性和交互的函数决定。
  • LRF-PACE模型（节点内）：\( Y_{ij} = \mu_I(t_{ij}) + \sum_{l=1}^L \xi_{il,I} \phi_{l,I}(t_{ij}) + \varepsilon_{ij} \)。\( \mu_I \) 和 \( \phi_{l,I} \) 是非参数估计的，\( \xi_{il,I} \) 通过条件期望估计。

  • LRF-adaptiveLMM模型（节点内）：\( Y_{ij} = \beta_{0,I} + \beta_{t,I} t_{ij} + \mathbf{X}_{i,I}^\top \boldsymbol{\beta}_I + b_{i0,I} + b_{i1,I} t_{ij} + \varepsilon_{ij} \)。固定效应 \( \mathbf{X}_{i,I} \) 是沿根到该节点路径上被选中的协变量子集，是自适应的。

  • 可观测数据：

  • 可观测：\( \{(t_{ij}, Y_{ij})\}_{j=1}^{T_i} \) 和 \( \mathbf{X}_i \) 对所有 \( i \)。
  • 不可观测/潜在：个体真实轨迹 \( g_i(t) \)、FPC分数 \( \xi_{il,I} \)、随机效应 \( b_{i0,I}, b_{i1,I} \)、节点内均值函数 \( \mu_I(t) \) 和特征函数 \( \phi_{l,I}(t) \)。这些都需要通过模型假设和估计来识别。

第二步：讲最小内核

最简特例：假设只有 \( p=2 \) 个协变量 \( X_1, X_2 \)，且数据是完全平衡的（所有个体在相同时间点 \( t=1,2,\dots,T \) 有观测，无缺失）。目标是判断 \( X_1 \) 和 \( X_2 \) 是否以及如何影响个体轨迹。

在这个特例下，LRF的核心思路退化成什么？

  1. 节点内轨迹估计：在根节点（所有个体），用PACE或LMM估计每个个体的轨迹 \( \widehat{Y}_i(t) \)。对于PACE，这相当于对全体数据做一次FPCA，得到均值函数 \( \widehat{\mu}(t) \) 和特征函数 \( \widehat{\phi}_l(t) \)，然后计算每个个体的FPC分数 \( \widehat{\xi}_{il} \)。对于LMM，这相当于拟合一个包含 \( X_1, X_2 \) 的线性混合模型。

  2. 分裂准则：考虑在 \( X_1 \) 上分裂，阈值 \( c \)。左子节点 \( I_L = \{i: X_{i1} \le c\} \)，右子节点 \( I_R = \{i: X_{i1} > c\} \)。计算两个子节点的代表性轨迹：

    \[\widehat{f}_{I_L}(t) = \frac{1}{n_{I_L}} \sum_{i \in I_L} \widehat{Y}_i(t), \quad \widehat{f}_{I_R}(t) = \frac{1}{n_{I_R}} \sum_{i \in I_R} \widehat{Y}_i(t).\]
    然后计算分裂准则：
    \[S(X_1, c) = \frac{n_{I_L} n_{I_R}}{n_{I_L} + n_{I_R}} \int_{\mathcal{T}} \left( \widehat{f}_{I_L}(t) - \widehat{f}_{I_R}(t) \right)^2 dt.\]
    这个准则衡量的是：分裂后，两个子节点的平均轨迹差异有多大。差异越大，说明 \( X_1 \) 在阈值 \( c \) 处能有效分离出轨迹不同的子群。权重项 \( \frac{n_{I_L} n_{I_R}}{n_{I_L} + n_{I_R}} \) 惩罚不平衡分裂，防止被少数个体驱动。

  3. 为什么成立：如果 \( X_1 \) 确实影响轨迹（例如，\( X_1 > 0.5 \) 的个体轨迹下降更快），那么基于 \( X_1 \) 的最优分裂会使得左右子节点的平均轨迹显著不同。这个准则直接捕捉了这种差异。如果 \( X_1 \) 不影响轨迹，那么任何分裂产生的两个子节点轨迹差异都接近零（由噪声引起），准则值小，不会被选中。

  4. 推广到一般情形：当数据稀疏不规则时，节点内轨迹估计（PACE/LMM）需要处理缺失；当有多个协变量时，在每个节点随机选择 \( \text{mtry} \) 个候选；当树更深时，每个节点内的个体更同质，轨迹估计更精确。整个LRF框架就是这个最简特例的“加壳”：用更鲁棒的轨迹估计方法处理稀疏数据，用随机森林集成降低方差，用频率计数检测交互。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：针对纵向研究中数据稀疏、不规则、不等间隔的问题，提出一个能同时建模个体轨迹、节点内相关性、节点间异质性、非线性交互协变量效应的树集成框架（LRF）。
  2. 核心工具/方法：将节点内轨迹估计（非参数PACE或半参数adaptive LMM）嵌入随机森林，通过一个基于轨迹差异（积分平方差+大小加权惩罚）的分裂准则来生长树，并设计了轨迹置换变量重要性（PVIM）和频率交互检测策略。
  3. 主要结论：模拟和真实数据（INSULIN试验）显示，LRF在变量选择、新个体轨迹预测、已有个体未来轨迹预测上，均优于SPLF、SREEMF、LongCART、LMM、GEE等竞争方法，尤其在严重稀疏下优势明显。

关键设定与假设

  • 设定：\( N \) 个个体，每个有 \( T_i \) 次观测，时间点 \( t_{ij} \) 稀疏、不规则、个体间不同。协变量 \( \mathbf{X}_i \in \mathbb{R}^p \) 是基线测量的（不随时间变化）。目标是估计个体轨迹 \( \widehat{Y}_i(t) \)。
  • 假设：
  • SUTVA-like：个体间轨迹独立（由随机抽样保证）。
  • 测量误差：\( \varepsilon_{ij} \) 独立同分布，均值为0，方差 \( \sigma^2 \)（节点内可能不同）。
  • PACE假设：轨迹是光滑的，来自一个平方可积的随机过程；均值函数和协方差函数光滑；FPC分数与测量误差独立。
  • LMM假设：轨迹是线性的（在时间上）；随机效应 \( (b_{i0}, b_{i1}) \) 服从均值为0的正态分布；测量误差独立同分布正态。
  • 缺失机制：未明确假设，但模拟中使用了完全随机缺失（MCAR）和真实数据中的经验缺失模式。这是一个潜在弱点：如果缺失与未观测的轨迹特征相关（MNAR），LRF的估计可能有偏。
  • 相比已有文献：相比LMM/GEE，放宽了线性轨迹和线性协变量效应假设；相比SPLF，避免了“两步法”的信息损失；相比SREEMF/LongCART，显式地将协变量纳入节点内轨迹估计。

主要结果

  • 模拟1（函数型数据，p=100，3个真协变量，缺失率30%/50%/70%）：
  • 变量选择：LRF-PACE在三个缺失率下对最难的真协变量 \( X_{21} \) 的平均选择秩分别为3.55、3.67、4.11，优于SREEMF（3.95、4.01、4.38）和SPLF（3.81、4.74、25.51）。在70%缺失下，SPLF的秩恶化到25.51，而LRF-PACE仍稳定在4.11。

  • 新个体预测：LRF-PACE在50%和70%缺失下预测误差最小（1.76和1.81），LRF-adaptiveLMM次之（1.83和1.97）。SPLF在30%缺失下最优（1.66），但随缺失增加恶化。LMM、GEE、LongCART在所有设定下误差最大。

  • 模拟2（模仿INSULIN试验的缺失模式，p=20，3个真协变量）：

  • 变量选择：LRF-PACE-2（分段平滑版本）对最难的真协变量 \( X_3 \) 的平均选择秩为3.94，优于SREEMF（4.23）和SPLF（9.75）。原始LRF-PACE秩为6.68，说明大空区间（Weeks 15-22）对非参数平滑有挑战。
  • 新个体预测：LRF-PACE-2预测误差最小（3.06），优于SPLF（3.24）、LRF-adaptiveLMM（3.47）、SREEMF（3.57）、LongCART（3.93）、GEE（4.05）、LMM（4.20）。

  • 未来轨迹预测：LRF-PACE预测误差最小（2.09），优于LRF-adaptiveLMM（2.95）、SPLF（3.25）、LongCART（4.19）、SREEMF（4.24）。

  • 真实数据（INSULIN试验，N=1520，p=19）：

  • 变量重要性：两个LRF变体一致地将基线HbA1c排第1，血糖相关测量（SMBG）排2-9，人体测量（BMI、体重、身高）排10-12，血液动力学和临床变量排13-19。治疗分配排16-17，与原始试验结论一致（两治疗组差异仅0.1%）。
  • 交互检测：LRF-PACE-2检测到基线A1C与人体测量（BMI、体重）的2-way交互，以及与血压的3-way交互。血压本身重要性低（第13），但在交互中频繁出现，提示其效应主要通过交互体现。
  • 新个体预测：LRF-PACE-2预测误差最小（1.553），优于LRF-adaptiveLMM（1.588）和SPLF（7.636）。Spearman秩相关：LRF-PACE-2为0.58（p<10^{-8}），LongCART为0.46，SPLF为0.35。
  • 未来轨迹预测：LRF-PACE预测误差最小（0.536），优于LRF-adaptiveLMM（0.678）和SPLF（7.66）。Spearman秩相关：LRF-PACE为0.79（p<10^{-12}），LRF-adaptiveLMM为0.45，SPLF为0.43。

证明路线与技术技巧

整体路线（以LRF-PACE为例，3-5步逻辑主干）：

  1. 节点内轨迹估计：在每个节点 \( I \)，用PACE估计每个个体 \( i \in I \) 的轨迹 \( \widehat{Y}_{i,I}(t) \)。这包括：用局部线性平滑估计节点均值函数 \( \widehat{\mu}_I(t) \)；用二维核平滑估计协方差面 \( \widehat{G}_I(s,t) \)；特征分解得到特征函数 \( \widehat{\phi}_{l,I}(t) \) 和特征值 \( \widehat{\lambda}_{l,I} \)；通过条件期望（即“最佳线性无偏预测”形式）估计FPC分数 \( \widehat{\xi}_{il,I} \)。

  2. 计算代表性轨迹：对节点 \( I \)，代表性轨迹 \( \widehat{f}_I(t) = \frac{1}{n_I} \sum_{i \in I} \widehat{Y}_{i,I}(t) \)。

  3. 分裂准则：对每个候选分裂 \( (X_k, c) \)，计算左右子节点的代表性轨迹 \( \widehat{f}_{I_L}(t), \widehat{f}_{I_R}(t) \)，然后计算 \( S(X_k, c) = \frac{n_{I_L} n_{I_R}}{n_{I_L} + n_{I_R}} \int_{\mathcal{T}} (\widehat{f}_{I_L}(t) - \widehat{f}_{I_R}(t))^2 dt \)。选择最大化 \( S \) 的 \( (X_k, c) \)。

  4. 递归生长：对每个子节点重复步骤1-3，直到满足停止条件（节点大小 \( < n_{\min} \) 或深度 \( > d_{\max} \)）。

  5. 集成与预测：生长 \( B \) 棵树（每棵用bootstrap样本）。对新个体，沿每棵树根据其协变量路由到终节点，用该节点的代表性轨迹（LRF-PACE）或固定效应预测（LRF-adaptiveLMM）作为树级预测，再平均所有树。

关键跳跃点：

  • 跳跃点1：如何将PACE嵌入树节点？ PACE原本是全局方法，但LRF在每个节点独立运行PACE。这意味着每个节点有自己的均值函数、协方差函数和FPC。难点：当节点样本量很小时，PACE的核平滑可能不稳定。作者通过设置最小节点大小 \( n_{\min}=20 \) 和最大深度 \( d_{\max} \)（由交叉验证选择）来控制。
  • 跳跃点2：分裂准则为什么有效？ 准则 \( S(X_k, c) \) 直接最大化子节点代表性轨迹的差异。直觉：如果 \( X_k \) 在阈值 \( c \) 处能分离出轨迹不同的子群，那么左右子节点的平均轨迹差异会很大。权重项 \( \frac{n_{I_L} n_{I_R}}{n_{I_L} + n_{I_R}} \) 确保分裂是平衡的，避免被少数极端个体驱动。没有理论证明该准则能一致地识别真实分裂变量（这是一个开放问题）。
  • 跳跃点3：如何处理大空区间（Weeks 15-22）？ 原始LRF-PACE在INSULIN数据上表现不佳，因为PACE的核平滑在大空区间内缺乏数据支持。作者提出LRF-PACE-2：对Weeks 1-14用PACE，然后外推到Weeks 15-22，对Weeks 23-24用简单平均。这是一个工程技巧，而非理论创新。

技术技巧点名：

  • PACE：用局部线性平滑估计均值函数，用二维核平滑估计协方差面，用条件期望估计FPC分数。这是处理稀疏不规则函数型数据的标准工具。
  • REML（限制最大似然）：用于估计LRF-adaptiveLMM中的固定效应和方差参数。
  • BLUP（最佳线性无偏预测）：用于估计LRF-adaptiveLMM中的个体随机效应。
  • Bootstrap聚合（Bagging）：标准随机森林集成方法，降低方差。
  • Out-of-bag（OOB）置换：用于计算PVIM，衡量每个协变量对预测误差的贡献。
  • 频率计数：用于交互检测，通过统计协变量在树路径上的共现频率来识别交互。这是一个计算技巧，没有统计检验。

真实例子与应用

  • 数据：INSULIN试验，24周，2091名2型糖尿病患者，随机分配到两种胰岛素治疗。分析保留1520名有完整基线协变量的个体。响应是HbA1c变化值（基线后测量减基线值）。19个基线协变量，包括代谢、人体测量、血液动力学、SMBG、治疗分配等。
  • 如何应用：将1520名个体随机分为训练集（1000人）和测试集（520人），重复10次。用训练集拟合LRF（B=50, mtry=p/3≈6, n_min=20, d_max由5折CV选择），在测试集上评估新个体轨迹预测。对未来预测，用Weeks 1-10训练，预测Weeks 11-14。
  • 结果：
  • 变量重要性：基线HbA1c最重要，血糖相关测量次之，人体测量中等，血液动力学和临床变量最低。治疗分配重要性低（第16-17），与原始试验结论一致。
  • 交互检测：基线A1C与BMI、体重有2-way交互，与血压有3-way交互。血压本身重要性低，但在交互中频繁出现。
  • 预测：LRF-PACE-2新个体预测误差1.553，优于LRF-adaptiveLMM（1.588）和SPLF（7.636）。LRF-PACE未来预测误差0.536，优于LRF-adaptiveLMM（0.678）和SPLF（7.66）。
  • 秩相关：LRF-PACE-2新个体预测Spearman ρ=0.58（p<10^{-8}），LRF-PACE未来预测ρ=0.79（p<10^{-12}）。
  • 这个例子想说明什么：LRF能揭示标量终点分析无法发现的临床分组效应（如血糖相关测量作为一个整体类别的重要性）和交互效应（如血压通过交互而非主效应影响轨迹），且预测精度高。

🔎 结论是否比证明窄

  • 是。作者在摘要和引言中声称LRF是“第一个方法”来建模纵向响应轨迹以表征治疗持久性，但没有提供任何理论保证（如一致性、收敛速度、变量选择一致性）。所有结论都基于模拟和真实数据。例如，分裂准则 \( S(X_k, c) \) 没有理论证明它能一致地识别真实分裂变量；PVIM没有理论保证其排序的可靠性；频率交互检测没有统计检验（如p值或FDR控制）。作者在讨论中未提及这些理论缺口。
  • 具体语句：摘要中“represents a revolutionary advance”和“the first method to model underlying longitudinal response trajectories”是强claim，但没有理论支撑。模拟和真实数据结果虽然好，但不足以支持“革命性”的说法。

四、开放问题（点到为止，扎根具体语句）

  1. 理论性质缺失：LRF分裂准则 \( S(X_k, c) \) 是否一致地识别真实分裂变量？PVIM是否一致地排序真实协变量？频率交互检测是否有统计显著性？——扎根于Section 3.2、3.4、3.5，作者未提供任何理论分析。

  2. 缺失机制敏感性：LRF假设缺失是随机的（MCAR或MAR？未明确）。如果缺失与未观测的轨迹特征相关（MNAR），LRF的估计是否有偏？——扎根于Section 2的缺失模式描述和Section 4的模拟（仅MCAR），作者未讨论。

  3. 计算复杂度：LRF在每个节点运行PACE或LMM，计算成本高。当 \( p \) 很大或 \( N \) 很大时，可扩展性如何？——扎根于Section 3.6，作者仅提到“支持并行计算”，未提供复杂度分析或大规模数据实验。

  4. 与深度学习方法对比：作者完全未与RNN、LSTM、Neural ODE等深度学习方法比较。这些方法也能处理稀疏不规则数据，且能学习复杂非线性。LRF相比它们有何优势（可解释性？小样本性能？）？——扎根于Section 1，作者未提及任何深度学习方法。这是一个明显的竞争路线，值得研究者去查。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论