HyperNSDE：用于静态与纵向临床数据联合生成的个性化 Neural SDE

基于摘要分析。HyperNSDE 面向患者级临床合成数据，联合建模异质静态协变量、不规则采样的纵向轨迹及具有信息性的观测时间，旨在应对医疗机器学习中的数据稀缺与隐私约束。其核心贡献是让患者基线特征持续影响随机轨迹演化，而不只用于设定初始状态。 机制上，模型通过 hypernetwork 将静态患者表示用于条件化潜在 Neural SDE，无需轨迹编码器；潜在随机动力学用于表达生成路径的变异性。观测时间由依赖潜在状态的强度过程联合建模，从而将“何时观测”与“状态如何变化”关联起来。训练采用确定性—随机路径分解及非对抗式 signature-kernel 目标，以稳定不规则随机路径上的学习；具体分解形式、目标计算和模型结构尚未验证。 作者报告，在模拟与真实临床数据实验中，HyperNSDE 改善了观测时间保真度，并取得有竞争力的表现；摘要未提供数据集名称、样本规模、划分、对照方法或数值指标。作者报告，匹配观测网格的分析显示，预测和相关性指标会受到观测网格规律性与轨迹平滑度影响，因此核对结果时应区分生成质量与采样网格带来的评估变化。实验协议、消融及统计信息尚未验证；摘要也未提供可核对的隐私保证。 平台推测（待验证）：若 EEG 衍生特征或临床随访存在不规则采样，静态特征条件化动力学和观测时间强度模块可能适用于跨被试纵向特征合成，但原临床数据结果不等于 EEG/BCI 有效。迁移需明确通道及特征表示、静态协变量和时间戳结构；低信噪比、被试差异及小样本可能使随机动力学拟合不稳，规则采样 EEG 则未必需要观测时间模块。可在固定数据划分与评估网格下，用小规模 EEG 特征序列比较完整模型和移除观测时间模块的版本，检验收益是否依赖采样不规则性。相关 EEG 工作尚未检索确认。