面向医疗健康表示学习的混合池化多视图注意力自编码器
机器学习
2019-10-16 v1 人工智能
机器学习
摘要
分布式表示近来被用于支撑医疗健康中的下游任务。医疗健康数据（如电子健康记录）包含来自异构源的多种模态数据，可提供互补信息，并为学习个性化患者表示增添一个维度。为此，本文提出一种新颖的无监督编码器-解码器模型，即混合池化多视图注意力自编码器（MPVAA），其生成封装患者医疗档案整体视图的患者表示。具体而言，先学习对应于每位患者异构医疗数据的个性化图嵌入，再通过多视图注意力机制将其间的非线性关系整合为统一表示。此外，在编码步骤中引入混合池化策略，以学习各数据模态特有的多样信息。针对多个任务开展的实验表明，所提模型优于医疗健康领域最先进的表示学习方法。
引用
@article{arxiv.1910.06456,
title = {Mixed Pooling Multi-View Attention Autoencoder for Representation Learning in Healthcare},
author = {Shaika Chowdhury and Chenwei Zhang and Philip S. Yu and Yuan Luo},
journal= {arXiv preprint arXiv:1910.06456},
year = {2019}
}