面向多模态不规则时间序列事件的特征融合框架
人工智能
2022-09-07 v1
摘要
来自多个源的某些数据可建模为多模态时间序列事件，其具有不同采样频率、数据构成、时间关系与特征。不同类型事件之间存在复杂非线性关系，且各事件发生时间不规则。经典循环神经网络（RNN）模型与当前最优的 Transformer 模型均不能很好地处理这些特征。本文提出一种基于长短期记忆网络（LSTM）的多模态不规则时间序列事件特征融合框架。首先，依据不同事件的不规则模式提取复杂特征；其次，捕捉复杂特征间的非线性关联与复杂时间依赖关系并融合为张量；最后，利用特征门控控制不同张量的访问频率。在 MIMIC-III 数据集上的大量实验表明，所提框架在 AUC（受试者工作特征曲线下面积）与 AP（平均精度）方面显著优于现有方法。
引用
@article{arxiv.2209.01728,
title = {Features Fusion Framework for Multimodal Irregular Time-series Events},
author = {Peiwang Tang and Xianchao Zhang},
journal= {arXiv preprint arXiv:2209.01728},
year = {2022}
}