用于预测异步生物过程时间序列的 Deep Set 神经网络
机器学习
2023-12-07 v2
摘要
培养实验通常产生稀疏且不规则的时间序列。基于机制模型的传统方法，如最大似然拟合或 Monte-Carlo Markov chain 采样，可以轻松应对稀疏性和时间网格的不规则性，但大多数统计和机器学习工具并非为开箱即用地处理稀疏数据而设计。在流行的方法中，有各种用于填充缺失值（插补）和插值到规则网格（对齐）的方案。然而，此类方法将插值或插补模型的偏差转移到了目标模型中。我们表明，配备了输入数据三元组编码的 Deep Set 神经网络能够成功处理生物过程数据，而无需任何插补或对齐程序。该方法对时间序列的具体特性不可知，且可适应任何任务，例如在线监测、预测控制、实验设计等。在本工作中，我们聚焦于预测。我们论证了该方法特别适用于典型的培养过程，利用在现实条件下由宏观动力学生长模型生成的数据，展示了该方法在多个预测任务上的性能，并将其与基于插补和对齐的传统拟合程序及方法进行了比较。
引用
@article{arxiv.2312.02079,
title = {Deep Set Neural Networks for forecasting asynchronous bioprocess timeseries},
author = {Maxim Borisyak and Stefan Born and Peter Neubauer and Mariano Nicolas Cruz-Bournazou},
journal= {arXiv preprint arXiv:2312.02079},
year = {2023}
}
备注
9 pages, 3 figures