通过无监督时间序列表示学习改进临床预测
机器学习
2018-12-04 v1 机器学习
摘要
在这项工作中，我们研究医学时间序列上的无监督表示学习，其有望利用大量现有未标注数据以最终辅助临床决策。通过对临床相关结局预测的评估，我们表明在实际环境中，无监督表示学习相较于端到端监督架构可提供明确的性能优势。我们以两种不同方式实验使用序列到序列 (Seq2Seq) 模型，即作为自编码器和作为预测器，并表明最佳性能由具有集成注意力机制的预测式 Seq2Seq 模型实现，该机制在此针对医学时间序列无监督学习的设置中属首次提出。
关键词
引用
@article{arxiv.1812.00490,
title = {Improving Clinical Predictions through Unsupervised Time Series Representation Learning},
author = {Xinrui Lyu and Matthias Hueser and Stephanie L. Hyland and George Zerveas and Gunnar Raetsch},
journal= {arXiv preprint arXiv:1812.00490},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216