潜在相似性高斯过程能否实现自杀风险预测的个性化？

汇总与个体模型各自假设过多

论文将自杀风险预测框定为三类既有模型之间的选择，每一类都带有一种限制临床使用的假设。汇总（nomothetic）模型在所有患者间共享一条全局趋势，这会把任何未观测到的、患者特异性的变异当作不相关噪声；只有当所有有意义的风险驱动因素都已被观测到时，这样做才安全。个体（idiographic）模型独立拟合每位患者，丢弃了共享的人群动态，而且由于自杀企图的发生率很低，当患者数据稀疏时容易过拟合。分层（混合效应）模型把预测分解为共享的人群趋势（固定效应）和患者特异性偏离（随机效应），但假设这些偏离是从单一全局趋势中随机抽取的。

论文认为最后这一假设在临床上至关重要。患者被描述为分布在一个由不同且可能相互冲突的趋势所支配的动态亚型连续谱上。在事件史稀疏的情况下，分层模型会迫使没有既往自杀企图的患者其风险估计默认回到全局人群趋势，而这一趋势可能无法很好地代表他们。论文指出，相当比例的自杀死亡发生在首次尝试时，因此一个把首次尝试患者默认到人群平均水平的模型，恰恰在最关键的地方失效。

相似性核让患者借鉴潜在同伴

LSGP将患者置于一个连续潜在空间，并联合建模相似性与风险。当患者自身数据有限时，模型从相似患者处提取信息来预测该患者的未来风险。相似性因子被定义为潜在编码之间加权特征距离的函数，论文表明许多常用核（RBF、Matérn 5/2、有理二次核）都是这一形式的实例，且各自可与任何与编码无关的输入核组合。

论文用两种机制扩展了这些平稳、恒定振幅的核：一是输入依赖的振幅，振幅是作用于潜在编码的神经网络的softplus；二是通过逐维输入扭曲实现的非平稳性。扭曲使用softplus参数化，从构造上保证正性，论文指出这使变换严格保序并满足核定义。论文还证明双通道相似性核是可识别的：趋势分量与振幅分量在相差一个正比例因子的意义下被唯一确定。

LSGP放宽分层模型的四项约束

论文回顾了分层（混合效应）模型可以写成高斯过程，即一个线性固定效应核加上一个由指示函数门控的线性偏离核。指示项 I(n = m) 正是使某位患者的随机效应只作用于该患者的原因。

LSGP以四种具体方式对此进行推广：用潜在编码之间学到的连续相似性核替换刚性指示 I(n = m)；用可推断的低维编码替换固定的身份输入 n；把线性特征核放宽为灵活输入核；并通过一个由神经网络产生的、学到的患者特异性振幅函数来参数化收缩强度。这是论文自身对二者关系的陈述，而非实证主张，也正是LSGP推广汇总、个体和分层框架这一说法的依据。

平均场推断悄然把LSGP坍缩为汇总模型

论文的第二项贡献是关于标准拟合算法的负面结果。平均场变分推断把后验分解为 q(Z, U) = q(Z) · q(U)，将诱导值 U 视为与潜在编码 Z 独立。论文证明这一分解会给目标函数增加一项惩罚，作者称之为耦合间隙，它等于条件后验自然参数的Bregman信息。

该间隙为零当且仅当这些自然参数在编码上几乎必然为常数。论文随后证明，耦合间隙为零会迫使出现作者所称的个性化坍缩：相似性核的重要性权重趋于零，振幅变为常数，组合相似性矩阵恒等于一。换言之，平均场推断实际优化的目标，是结构化目标减去一个恰好奖励模型所需编码依赖性的项。论文指出，这与带潜在变量的贝叶斯神经网络中已知的渐近偏差相呼应，即平均场推断会欠拟合并使不确定性校准失准。

Pólya-Gamma方案保留编码依赖后验

修复方案将Pólya-Gamma增广方案适配到LSGP。伯努利似然被改写为对一个辅助变量的期望，从而恢复诱导值 U 的条件高斯共轭性。这产生了一个结构化变分族，其中诱导后验 q(U | Z) 依赖于潜在编码，而不是被分解掉。

论文随后为共轭因子推导出闭式坐标上升更新：针对局部Pólya-Gamma因子的辅助更新，以及针对以 Z 为条件的全局因子的诱导后验更新。参数在单独的随机梯度步骤中更新。对每个外层变分期望最大化步骤，两个共轭更新重复15次扫描以达到条件收敛；在迷你批和单位步长下，这些共轭更新恰好是自然梯度步骤。只有编码后验 q(Z; ϕ) 需要参数化，它通过一个共享编码器摊销，该编码器构建为作用于每位患者无序观测集的DeepSet，从构造上保证置换不变性。

首次发生事件的增益最大

实证结果来自密集纵向自杀数据。LSGP在下一周风险预测上优于汇总、个体和分层模型，且最大增益出现在预测首次发生的自杀相关事件（SRE）时。论文的局限性部分以患者语言重述了这一点：患者内预测优于所有基线，增益最大的是那些在训练窗口内没有SRE、却在测试窗口内发生SRE的患者。

这一亚组正是引言所指出的分层模型的失效模式，因为这些患者没有既往自杀企图，否则会被默认到全局人群趋势。论文还报告静态人口学特征无法解释学到的相似性结构，并将潜在几何解释为很可能捕捉了潜在的、未观测到的临床动态。这一解释是作者对潜在空间的解读，而非与临床表型之间经过测量的对应关系；论文明确把用更丰富的临床变量验证学到的相似性列为未来工作。

对数损失指标本身受到质疑

论文报告对数损失在EMA数据上无法区分无信息的基础率模型与预测模型。因此，作者质疑其用于模型选择的适宜性及其对贝叶斯推断的影响，并表示计划研究替代的训练目标和选择标准，以优化PAC-Bayes泛化界，而不是依赖边际似然。

这对理解核心比较很重要。LSGP优于基线的说法是在这一数据上得出的，而论文自身指出，该设定中使用的指标之一无法把基础率模型与预测模型区分开。论文还指出，当前LSGP通过潜在编码横截面地评估风险，省略了时间动态，这是一个已声明的开放问题，而非已解决的功能。

证据来自单一密集纵向队列

实证支持来自单一密集纵向自杀数据集，预测时域为下一周风险，结局为SRE。论文对三类模型的框定、可识别性证明和个性化坍缩定理是关于模型类和推断算法的理论结果，而非关于临床人群的实证发现。性能比较是实证部分，且受限于这一数据、这一时域和这一结局。

论文为相似性结构声称的临床价值在于，它揭示了相关的历史先例，可能促使临床医生调查驱动风险的未测量情境因素。这是对模型输出的一种拟议用途，论文把用更丰富的临床变量验证学到的相似性视为未来工作。论文还使用了AI进行初步证明草拟，随后自行重写、完成并验证了所有证明，并且所有报告的数值结果都直接由原始实验产物计算得出。

本文引用的文献