Diffmv：面向医疗预测的统一扩散框架，处理随机缺失视图与视图懒惰问题

先进的医疗预测通过利用预测分析显著性地提高患者预后。现有工作主要利用电子健康记录（EHR）数据的各种视图（如诊断、实验室检查或临床记录）进行模型训练。这些方法通常假设完全可用的EHR视图，并且所设计的模型能够充分利用每种视图的潜力。然而，在实际应用中，随机缺失视图和视图懒惰是两种会阻碍多视图利用进一步提升的显著挑战。为此，我们提出了Diffmv，这是一种创新的基于扩散的生成式框架，旨在推进对EHR数据多个视图的深入利用。具体而言，为解决随机缺失视图问题，我们将EHR数据的各种视图整合到统一的扩散去噪框架中，并通过多样化的上下文条件来促进渐进式对齐和视图转换。为缓解视图懒惰，我们提出了一种新颖的重加权策略，该策略评估每种视图的相对优势，促进模型中对各种数据视图的平衡利用。我们的方法在来自三个流行数据集上的多个健康预测任务中实现了卓越的性能，包括多视图和多模态情景。