CSAI：用于医疗时间序列的条件自注意力插补
机器学习
2026-01-07 v6 人工智能
摘要
我们介绍了条件自注意力插补 (CSAI) 模型，这是一种新颖的循环神经网络架构，旨在解决医院电子健康记录 (EHRs) 衍生的多变量时间序列中复杂缺失数据模式的挑战。CSAI 通过引入针对 EHR 数据的关键修改，扩展了基于神经网络的最新插补技术：a) 基于注意力的隐藏状态初始化，以捕捉 EHR 中普遍存在的长程和短程时间依赖关系；b) 领域知情的时间衰减，以模拟临床数据记录模式；c) 非均匀掩码策略，通过根据时间和横截面数据特征校准权重来建模非随机缺失。在四个 EHR 基准数据集上的综合评估表明，CSAI 在数据恢复和下游任务方面优于最先进的架构。CSAI 已集成到 PyPOTS 中，这是一个专为部分观测时间序列机器学习任务设计的开源 Python 工具箱。这项工作通过使算法插补更紧密地契合临床现实，显著推进了应用于 EHR 的神经网络插补技术现状。
引用
@article{arxiv.2312.16713,
title = {CSAI: Conditional Self-Attention Imputation for Healthcare Time-series},
author = {Linglong Qian and Joseph Arul Raj and Hugh Logan Ellis and Ao Zhang and Yuezhou Zhang and Tao Wang and Richard JB Dobson and Zina Ibrahim},
journal= {arXiv preprint arXiv:2312.16713},
year = {2026}
}