可解释时空图卷积神经网络处理不规则多元时间序列：架构与ICU患者数据应用
机器学习
2024-11-05 v1
摘要
在本文中，我们提出了XST-GCNN（可解释时空图卷积神经网络），一种用于处理异构且不规则的多元时间序列（MTS）数据的新型架构。我们的方法通过利用使用时空图的GCNN，在统一的时空流水线中捕获时间依赖和特征依赖，从而优化预测准确性和互操作性。对于图估计，我们引入了包括基于（异构）Gower距离的技术之一。一旦估计完成，我们提出了两种图构建方法：一种基于笛卡尔积，将时间瞬间均匀处理，另一种是每时间步具有不同图的时空方法。我们还提出了两种GCNN架构：基于归一化邻接矩阵的标准GCNN和高阶多项式GCNN。除了准确性之外，我们通过设计本质上可解释的模型并进行彻底的解释性分析，强调了可解释性，识别出驱动预测的关键特征-时间组合。我们在Fuenlabrada大学医院的真实世界电子健康记录数据上评估XST-GCNN，以预测ICU患者的多重耐药性（MDR），这是与高死亡率和复杂治疗相关的关键医疗挑战。我们的架构优于传统模型，实现了81.03±2.43的平均ROC-AUC分数。此外，解释性分析提供了关于驱动MDR预测的临床因素的可操作见解，增强了模型透明度。这项工作为使用异构MTS处理复杂推理任务设定了基准，为现实世界应用提供了通用且可解释的解决方案。
引用
@article{arxiv.2411.01070,
title = {Explainable Spatio-Temporal GCNNs for Irregular Multivariate Time Series: Architecture and Application to ICU Patient Data},
author = {Óscar Escudero-Arnanz and Cristina Soguero-Ruiz and Antonio G. Marques},
journal= {arXiv preprint arXiv:2411.01070},
year = {2024}
}