用于纵向患者轨迹分类的深度集成张量分解
机器学习
2018-11-29 v2 机器学习
摘要
我们提出一种对稀疏观测的纵向患者轨迹进行分类的生成式方法。可用的时序被表示为张量，并使用生成式深度循环神经网络进行分解。学习到的因子以紧凑方式表示患者数据，并可用于下游分类任务。为在预测中获得更强的鲁棒性与准确性，我们使用这些深度生成模型的集成来模拟贝叶斯后验采样。我们在一个重症监护的院内死亡率预测的案例中展示了我们架构的性能，该案例包含从入院起前 48 小时内测量的 96 种纵向测量类型。我们的生成式与集成策略组合取得了超过 0.85 的 AUC，并优于 SAPS-II 死亡率评分与 GRU 基线。
引用
@article{arxiv.1811.10501,
title = {Deep Ensemble Tensor Factorization for Longitudinal Patient Trajectories Classification},
author = {Edward De Brouwer and Jaak Simm and Adam Arany and Yves Moreau},
journal= {arXiv preprint arXiv:1811.10501},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216