高斯过程调制的更新过程的高效推断及其在医疗事件数据中的应用

医疗数据的偶发性、不规则性和异步性使其成为标准机器学习算法难以处理的数据基底。我们希望通过将时间戳分类变量（或事件）建模为更新过程，并推断调制该过程的连续、纵向、非参数强度函数的概率密度，从而抽象掉这一困难。现有几种推断此类强度函数密度的方法，但要么其约束和假设阻碍了其在潜在突发性事件流中的应用，要么其时间复杂度使其在高分辨率事件的长周期观测中不可行，或者两者兼有。本文提出了一种新的高效方法，用于推断强度函数的分布，该方法利用直接数值积分和高斯过程上的平滑插值。我们证明，我们的直接方法比现有的最佳方法（thinning）准确度高达两倍，效率高两个数量级。重要的是，直接方法可以推断从突发性到无记忆性再到规律性事件的全范围强度函数，而 thinning 和许多其他方法无法做到这一点。最后，我们将该方法应用于临床事件数据，并证明了该抽象的表面效度，使其现在适用于标准学习算法。