arXiv 2026年10月7日作者提出HyperNSDE，一个连续时间生成模型：用HI-VAE编码异质静态协变量，再通过超网络把静态潜表示映射为个体化漂移参数，驱动一个潜神经SDE，并用潜状态依赖强度过程联合建模观测时间，训练上采用确定性—随机路径分解与签名核目标；在模拟数据和VELOUR、PPMI两个真实队列上，它取得更好的观测时间保真度与若干分布和隐私指标，而预测与相关性指标表现不一，受观测网格规则性和轨迹平滑度影响。作者提出HyperNSDE，一个连续时间生成模型：用HI-VAE编码异质静态协变量，再通过超网络把静态潜表示映射为个体化漂移参数，驱动一个潜神经SDE，并用潜状态依赖强度过程联合建模观测时间，训练上采用确定性—随机路径分解与签名核目标；在模拟数据和VELOUR、PPMI两个真实队列上，它取得更好的观测时间保真度与若干分布和隐私指标，而预测与相关性指标表现不一，受观测网格规则性和轨迹平滑度影响。HyperNSDE用超网络把静态基线写入神经SDE漂移，在模拟与真实临床数据上改善观测时间保真度作者提出HyperNSDE，一个连续时间生成模型：用HI-VAE编码异质静态协变量，再通过超网络把静态潜表示映射为个体化漂移参数，驱动一个潜神经SDE，并用潜状态依赖强度过程联合建模观测时间，训练上采用确定性—随机路径分解与签名核目标；在模拟数据和VELOUR、PPMI两个真实队列上，它取得更好的观测时间保真度与若干分布和隐私指标，而预测与相关性指标表现不一，受观测网格规则性和轨迹平滑度影响。作者提出HyperNSDE，一个连续时间生成模型：用HI-VAE编码异质静态协变量，再通过超网络把静态潜表示映射为个体化漂移参数，驱动一个潜神经SDE，并用潜状态依赖强度过程联合建模观测时间，训练上采用确定性—随机路径分解与签名核目标；在模拟数据和VELOUR、PPMI两个真实队列上，它取得更好的观测时间保真度与若干分布和隐私指标，而预测与相关性指标表现不一，受观测网格规则性和轨迹平滑度影响。