DE3S：面向医疗早期时间序列分类的双强化软稀疏形学习

早期时间序列分类（ETSC）在败血症等时间敏感的医疗应用中至关重要，但面临准确率与提前性之间的内在权衡。这种权衡源于两个核心挑战：1）模型应有效建模 inherently 弱且噪声的早期阶段片段，2）需同时捕获局部、主题相关变异与宏观全局时序模式。现有方法难以克服这些挑战，常迫使严重妥协：为实现提前性牺牲准确率，或反之。我们提出了DE3S——一个双强化软稀疏序列学习框架，系统性地解决这些挑战。提出双重强化机制以增强弱早期信号的建模。引入基于注意力的补丁模块，在保留判别性信息的同时降低噪声和复杂度。设计双路径融合架构，使用稀疏专家混合模型捕获局部、主题相关变异。还采用多尺度 inception 模块以捕获全局依赖。在六个真实医疗数据集上的实验显示，DE3S在各种早期预测窗口中表现出竞争力。消融研究确认了每个组件针对其目标挑战的有效性。源代码可在此处获取。