连续时间循环神经网络：概述及其在重症监护病房血糖预测中的应用
机器学习
2023-04-17 v1 机器学习
应用统计
摘要
不规则测量的时间序列在许多将时间序列建模作为关键统计工具的应用场景中很常见，包括医学。这给模型选择带来挑战，往往需要使用插补或类似策略。连续时间自回归循环神经网络(CTRNNs)是一种深度学习模型，通过纳入观测之间隐状态的连续演化来处理不规则观测。这是通过使用神经常微分方程(ODE)或神经流层实现的。在本稿中，我们概述这些模型，包括为应对如持续医疗干预等问题而提出的各种架构。此外，我们展示这些模型在危重护理环境中利用电子病历与模拟数据对血糖进行概率预测的应用。实验证实，添加神经ODE或神经流层通常改善自回归循环神经网络在不规则测量环境下的性能。然而，若干CTRNN架构被自回归梯度提升树模型(Catboost)超越，仅有长短期记忆(LSTM)与基于神经ODE的架构(ODE-LSTM)在连续 ranked 概率分数(ODE-LSTM: 0.118±0.001; Catboost: 0.118±0.001)、无知分数(0.152±0.008; 0.149±0.002)和区间分数(175±1; 176±1)等概率预测指标上取得可比性能。
引用
@article{arxiv.2304.07025,
title = {Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit},
author = {Oisin Fitzgerald and Oscar Perez-Concha and Blanca Gallego-Luxan and Alejandro Metke-Jimenez and Lachlan Rudd and Louisa Jorm},
journal= {arXiv preprint arXiv:2304.07025},
year = {2023}
}