Bayes-CATSI：面向医学时间序列数据的变分贝叶斯深度学习插值框架
机器学习
2024-10-07 v2 人工智能
神经与进化计算
机器学习
摘要
医学时间序列数据集包含缺失值，需要数据插值方法。然而，传统机器学习模型由于缺乏对预测不确定性的量化，效果不佳。其中，CATSI（基于上下文的时间序列插值）因其有效性而居于突出，通过将上下文向量纳入插值过程中，捕获每个患者的全局依赖关系。在本文中，我们提出了基于变分推断提供不确定性量化的贝叶斯上下文时间序列插值（Bayes-CATSI）框架。我们考虑源自脑电图（EEG）、眼动图（EOG）、肌电图（EMG）和心电图（EKG）的时间序列。变分推断假设后验分布的形状，并通过最小化克尔默-李克比（KL）散度来找到最接近真实后验分布的变分密度。因此，我们将变分贝叶斯深度学习层集成到 CATSI 模型中。我们的结果表明，Bayes-CATSI 不仅提供不确定性量化，而且在插值性能上优于 CATSI 模型。具体而言，Bayes-CATSI 的一个实例相较于 CATSI 提高了 9.57%。我们提供一个开源代码实现，用于将 Bayes-CATSI 应用于其他医学数据插值问题。
引用
@article{arxiv.2410.01847,
title = {Bayes-CATSI: A variational Bayesian deep learning framework for medical time series data imputation},
author = {Omkar Kulkarni and Rohitash Chandra},
journal= {arXiv preprint arXiv:2410.01847},
year = {2024}
}