基于衰减感知的二分图学习用于不规则医学时间序列分类
机器学习
2026-04-15 v1 人工智能
摘要
不规则医学时间序列在临床领域发挥着关键作用，以更好地理解患者的病情。然而，源于异构采样率、非同步观察和可变间隔的内在不规则性，为可靠建模带来关键挑战。现有方法往往扭曲时间采样的不规则性和缺失模式，同时未能捕捉变量衰减的不规则性，导致表征学习次优。为解决这些限制，我们提出 DBGL（Decay-Aware Bipartite Graph Learning for Irregular Medical Time Series），一种用于不规则医学时间序列分类的衰减感知二分图学习方法。DBGL 首先引入患者-变量二分图，同时捕捉不规则采样模式且无需人工对齐，适应性地建模变量之间的变量关系，以增强时序采样不规则性建模的表征学习。为建模变量衰减的不规则性，DBGL 设计了一种 novel 节点特定时间衰减编码机制，基于采样间隔捕捉每个变量的衰减率，为不规则时序动力学提供更准确且更忠实的表征。我们在四个公开数据集上评估了 DBGL 的性能，结果显示 DBGL 在所有基准方法上均表现优异。
引用
@article{arxiv.2604.11842,
title = {DBGL: Decay-aware Bipartite Graph Learning for Irregular Medical Time Series Classification},
author = {Jian Chen and Yuzhu Hu and Xiaoyan Yuan and Yuxuan Hu and Jinfeng Xu and Yipeng Du and Wenhao Yuan and Wei Wang and Edith C. H. Ngai},
journal= {arXiv preprint arXiv:2604.11842},
year = {2026}
}