可解释混合规则时序点过程
机器学习
2025-10-20 v3 人工智能
机器学习
摘要
时序点过程 (TPP) 在医学领域广泛用于建模事件序列，如疾病发生预测、疾病进程分析和临床决策支持。尽管 TPP 有效捕捉时序动力学，但其可解释性仍是关键挑战。近期方法虽引入了可解释 TPP，但未能融合数值特征，限制了其生成精确预测的能力。为此，我们提出 Hybrid-Rule Temporal Point Processes (HRTPP)，一种新型框架，将时序逻辑规则与数值特征集成，提升事件建模中的可解释性和预测准确性。HRTPP 包含三个关键组件：基本强度用于捕捉事件内在可能性，规则强度用于建模结构化时序依赖，数值特征强度用于动态调制概率。为有效发现有效规则，我们引入基于贝叶斯优化的两阶段规则发现策略。为评估方法，我们建立多标准评估框架，包含规则有效性、模型拟合度和时序预测准确性。在真实医疗数据集上的实验表明，HRTPP 在可解释 TPP 中实现预测性能和临床可解释性的领先表现。在案例研究中，HRTPP 提取的规则解释了疾病进程，为医学诊断提供了宝贵贡献。
引用
@article{arxiv.2504.11344,
title = {Interpretable Hybrid-Rule Temporal Point Processes},
author = {Yunyang Cao and Juekai Lin and Hongye Wang and Wenhao Li and Bo Jin},
journal= {arXiv preprint arXiv:2504.11344},
year = {2025}
}