通过定性变化建模时间序列数据中的罕见交互：在重症监护病房结局预测中的应用

许多研究领域都以大规模高维时间序列数据的泛滥为特征。然而，利用现有数据进行预测与决策，受限于我们当前揭示并量化解释结局的真实交互能力之滞后。我们关注诸如重症监护医学等领域，其特征是：i) 多变量变量的连续监测与数据流的非均匀采样；ii) 结局通常由一小组罕见事件之间的交互所支配；iii) 这些交互未必可由给定变量组的特定值（或值域）定义，而是由这些数值相对于随时间记录的正常状态的偏离所定义；iv) 需要解释模型所作预测。在此，尽管已提出众多数据挖掘模型用于结局预测，它们却无法解释其预测。我们提出一种模型，用于从高维时间序列数据中揭示最有可能生成所观测结局的交互。变量间交互由关系图结构表示，该结构依赖定性抽象来克服非均匀采样，并捕捉对应于相关变量随时间偏离正常态的变化之交互语义。基于相似的小交互模板负责结局（在医学领域普遍存在）这一假设，我们将发现任务重新表述为从数据中检索最可能的模板。