ImputeINR：基于隐式神经表示的时间序列插值用于疾病诊断
机器学习
2025-05-19 v1 人工智能
摘要
医疗数据经常包含大比例的缺失值， necessitating effective time series imputation to support downstream disease diagnosis tasks。然而，现有的插值方法聚焦于离散数据点，无法有效建模稀疏数据，导致在插值大量缺失值时性能尤其差。本文提出了一种新方法 ImputeINR，通过采用隐式神经表示（INR）学习时间序列的连续函数来实现时间序列插值。ImputeINR 利用 INR 的优势，即连续函数与抽样频率无关且具有无限抽样频率，使 ImputeINR 能够即使在极度稀疏的观测值上也能生成细粒度的插值。我们在八个数据集上进行了大量实验，包括五种遮盖比例，结果显示 ImputeINR 在时间序列插值中表现优异，尤其在高缺失比例的数据表现突出。进一步我们验证了将 ImputeINR 应用于医疗数据中的缺失值插值，可提升下游疾病诊断任务的性能。代码已公开。
引用
@article{arxiv.2505.10856,
title = {ImputeINR: Time Series Imputation via Implicit Neural Representations for Disease Diagnosis with Missing Data},
author = {Mengxuan Li and Ke Liu and Jialong Guo and Jiajun Bu and Hongwei Wang and Haishuai Wang},
journal= {arXiv preprint arXiv:2505.10856},
year = {2025}
}
备注
Accepted by IJCAI 2025