面向含时间维度临床数据的基于混合的多重插补模型
机器学习
2020-03-04 v3 机器学习
摘要
多变量时间序列中缺失值的问题在诸如临床数据挖掘的许多应用中是一项关键挑战。尽管许多插补方法在诸多应用中展现了有效性，但鲜有专为适应临床多变量时间序列而设计者。在本工作中，我们提出一种捕获横截面信息与时序相关性的多重插补模型。我们将高斯过程与混合模型相整合，并引入个体化混合权重以处理高斯过程模型预测置信度的方差。所提模型在真实与合成数据集上与若干最先进插补算法进行比较。实验表明，我们的最佳模型在所有数据集上均可提供比基准更准确的插补。
引用
@article{arxiv.1908.04209,
title = {Mixture-based Multiple Imputation Model for Clinical Data with a Temporal Dimension},
author = {Ye Xue and Diego Klabjan and Yuan Luo},
journal= {arXiv preprint arXiv:1908.04209},
year = {2020}
}