用于医学时间序列生成的因果循环变分自编码器
机器学习
2023-01-18 v1 信号处理
摘要
我们提出了因果循环变分自编码器（CR-VAE），这是一种新颖的生成模型，能够从多元时间序列 x 中学习格兰杰因果图，并将底层因果机制整合到其数据生成过程中。与经典的循环 VAE 不同，我们的 CR-VAE 使用多头解码器，其中第 个头负责生成 的第 维（即 ）。通过对（解码器的）权重施加诱导稀疏性的惩罚并鼓励特定权重集为零，我们的 CR-VAE 学习到一个稀疏邻接矩阵，该矩阵编码了所有变量对之间的因果关系。得益于该因果矩阵，我们的解码器严格遵循格兰杰因果的底层原理，从而使数据生成过程透明。我们开发了一种两阶段方法来训练整体目标。在经验上，我们在合成数据以及两个真实世界人脑数据集上评估了模型的行为，这两个数据集分别涉及脑电图（EEG）信号和功能磁共振成像（fMRI）数据。我们的模型在定性和定量上均持续优于最先进的时间序列生成模型。此外，它还能以与现有基于格兰杰因果的因果推断方法相似或更高的准确率发现忠实的因果图。CR-VAE 的代码公开于 https://github.com/hongmingli1995/CR-VAE。
引用
@article{arxiv.2301.06574,
title = {Causal Recurrent Variational Autoencoder for Medical Time Series Generation},
author = {Hongming Li and Shujian Yu and Jose Principe},
journal= {arXiv preprint arXiv:2301.06574},
year = {2023}
}
备注
Manuscript accepted by AAAI-23. Code is publicly available at \url{https://github.com/hongmingli1995/CR-VAE}