用于疾病表型分析的区间删失时间序列聚类
机器学习
2021-12-07 v4 机器学习
摘要
无监督学习常用于揭示数据中的聚类。然而，各类噪声可能阻碍从真实世界时间序列数据中发现有用模式。本工作中，我们专注于在疾病表型分析的聚类任务中减轻区间删失的干扰。我们开发了一种深度生成式连续时间时间序列模型，该模型在对时间序列进行聚类的同时修正删失时间。我们给出了在无噪声模型下可从数据中识别聚类及延迟进入量的条件。在合成数据上，我们展示了准确、稳定且可解释的结果，优于若干基准方法。在心力衰竭与帕金森病患者的真实世界临床数据集上，我们研究了区间删失如何对疾病表型分析任务产生不利影响。我们的模型修正了这一误差来源并恢复了已知的临床亚型。
引用
@article{arxiv.2102.07005,
title = {Clustering Interval-Censored Time-Series for Disease Phenotyping},
author = {Irene Y. Chen and Rahul G. Krishnan and David Sontag},
journal= {arXiv preprint arXiv:2102.07005},
year = {2021}
}
备注
AAAI 2022