EMIT：针对不规则时间序列的基于事件的掩码自编码
机器学习
2024-10-16 v2
摘要
不规则时间序列（即数据点在不均匀间隔下记录）在医疗保健环境中普遍存在，例如在急诊病房中，生命体征和实验室结果在不同时间被记录。这种反映了患者健康关键波动的变异性，对于知情的临床决策至关重要。现有针对不规则时间序列的自监督学习研究通常依赖于预测等通用前置任务，这可能无法充分利用不规则时间序列提供的信号。迫切需要针对不规则时间序列特征设计的专用前置任务，以增强模型性能和鲁棒性，尤其是在数据可用性有限的场景下。本文提出了一种新颖的预训练框架 EMIT，一种针对不规则时间序列的基于事件的掩码方法。EMIT 专注于在潜空间中进行基于掩码的重构，根据数据的变化率选择掩码点。该方法保留了测量的自然变异性和时序，同时增强了模型处理不规则间隔的能力，且不丢失基本信息。在 MIMIC-III 和 PhysioNet Challenge 数据集上的大量实验证明了我们基于事件的掩码策略的优越性能。代码已发布于 https://github.com/hrishi-ds/EMIT。
引用
@article{arxiv.2409.16554,
title = {EMIT- Event-Based Masked Auto Encoding for Irregular Time Series},
author = {Hrishikesh Patel and Ruihong Qiu and Adam Irwin and Shazia Sadiq and Sen Wang},
journal= {arXiv preprint arXiv:2409.16554},
year = {2024}
}
备注
Accepted at ICDM 2024