面向稳健医疗时间序列分类的表示一致性门控循环框架
机器学习
2026-03-03 v1
摘要
医疗时间序列数据以不规则采样、高噪声水平、缺失值以及强特征间依赖性为特征。循环神经网络（RNNs），特别是带门控机制的长短期记忆网络（LSTM）和门控循环单元（GRU），因其捕获时序依赖性的能力而广泛用于建模此类数据。然而，标准的门控循环模型未对隐含表示的时间演化施加明确约束，导致在噪声或不完整输入下出现表示漂移和不稳定性。本文提出一种表示一致性门控循环框架（RC-GRF），引入原则化的正则化策略以强制隐含状态表示的时间一致性。该框架具有模型无关性，可集成到现有门控循环架构中，而无需修改其内部门控机制。我们提供理论分析，说明一致性约束如何界定隐含状态的发散并提升稳定性。大量实验在医疗时间序列分类基准数据集上表明，所提方法在提升鲁棒性、降低方差并增强泛化性能方面显著有效，尤其在噪声环境和样本稀缺的情境下效果尤为突出。
引用
@article{arxiv.2603.00067,
title = {A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification},
author = {Maitri Krishna Sai},
journal= {arXiv preprint arXiv:2603.00067},
year = {2026}
}
备注
7 pages, 1 figure. Preprint