学习含缺失数据的血液样本时间序列压缩表示
神经与进化计算
2017-10-23 v1 机器学习
机器学习
摘要
随时间收集的临床测量数据自然地表示为多元时间序列（MTS），其中常包含缺失数据。自编码器可以学习保留重要数据特征的 MTS 低维向量表示，但不能显式处理缺失数据。在这项工作中，我们提出了一个新框架，将自编码器与时间序列聚类核（TCK）相结合，TCK 是一种考虑 MTS 中缺失模式的核。通过核对齐，我们将 TCK 融入自编码器，以改进在存在缺失数据时学到的表示。我们考虑了一个含缺失值的 MTS 分类问题，这些 MTS 代表了手术部位感染患者的血液样本。使用我们的方法，而非标准自编码器，我们学到了在低维空间中可被更好分类的表示。
引用
@article{arxiv.1710.07547,
title = {Learning compressed representations of blood samples time series with missing data},
author = {Filippo Maria Bianchi and Karl Øyvind Mikalsen and Robert Jenssen},
journal= {arXiv preprint arXiv:1710.07547},
year = {2017}
}