基于高斯过程的深度混合效应模型：面向医疗健康的个性化可靠预测
机器学习
2019-11-26 v3 机器学习
摘要
我们提出了一种面向医疗健康的个性化可靠预测模型，能够提供诊断、疾病治疗与预防等个体化定制的医疗服务。我们所提出的框架旨在从电子健康记录（EHR）等时间序列数据中做出个性化且可靠的预测，其通过建模两个互补部分来实现：i) 捕捉不同患者间全局趋势的共享分量；ii) 为每位患者建模特异性变异的患者专属分量。为此，我们提出了一种复合模型：使用深度神经网络从大量患者中学习复杂的全局趋势，并使用高斯过程（GP）在每位患者就诊次数相对较少的情况下对其个体时间序列进行概率建模。我们在来自 EHR 数据集的多样且异构的任务上评估了我们的模型，并展示了相对于纯循环神经网络（RNN）等标准时间序列深度模型的实用优势。
引用
@article{arxiv.1806.01551,
title = {Deep Mixed Effect Model using Gaussian Processes: A Personalized and Reliable Prediction for Healthcare},
author = {Ingyo Chung and Saehoon Kim and Juho Lee and Kwang Joon Kim and Sung Ju Hwang and Eunho Yang},
journal= {arXiv preprint arXiv:1806.01551},
year = {2019}
}
备注
AAAI 2020