基于动态自适应结构方程模型与自注意力的缺失数据插补
机器学习
2024-04-26 v4
摘要
在包含电子健康记录(EHR)的复杂数据集中处理缺失数据对于确保医疗中的准确分析与决策至关重要。本文提出使用自注意力方法(SESA)的动态自适应结构方程建模(SEM)，一种用于EHR数据插补的方法。SESA通过引入自注意力机制超越了传统的基于SEM的方法，从而增强了跨多样EHR数据集的模型适应性与准确性。这种增强使SESA能够动态调整和优化插补，并克服静态SEM框架的局限。我们的实验分析证明了SESA在处理EHR缺失数据时实现了鲁棒的预测性能。此外，SESA架构不仅纠正了SEM中潜在的错误设定，还与因果发现算法协同，基于底层数据结构精炼其插补逻辑。这些特征凸显了其能力及在EHR数据分析及更广领域的应用潜力，标志着数据插补领域合理的飞跃。
引用
@article{arxiv.2308.12388,
title = {Missing Data Imputation Based on Dynamically Adaptable Structural Equation Modeling with Self-Attention},
author = {Ou Deng and Qun Jin},
journal= {arXiv preprint arXiv:2308.12388},
year = {2024}
}