基于强化学习的医疗预测监测中的动态特征选择

本文研究多变量时间序列场景中的动态特征选择，这在临床预测监测中很常见，其中每个特征对应一个生物检测结果。许多现有的特征选择方法在有效利用时间序列信息方面存在不足，主要是因为它们是为静态数据设计的。我们的方法通过允许为每个患者选择时变特征子集来解决这一限制。具体来说，我们使用强化学习在最大成本限制下优化策略。随后使用训练策略生成的合成数据更新预测模型。我们的方法可以无缝集成不可微的预测模型。我们在一个大型临床数据集上进行了实验，包括回归和分类任务。结果表明，我们的方法优于强特征选择基线，特别是在严格的成本限制下。代码将在论文被接受后发布。