用于灵活不规则时间序列建模的多分辨率网络(Multi-FIT)
机器学习
2019-05-02 v1 信号处理
机器学习
摘要
缺失值、不规则采集的样本和多分辨率信号在多元时间序列数据中普遍存在,使得预测任务困难。这些挑战在医疗健康领域尤为突出,其中患者的生命体征和电子记录以不同频率采集,并因设备或患者状况的不完善而偶尔缺失信息。研究者们以不同方式处理这些问题,通常通过对缺失数据进行均值插补,然后在多元信号上使用序列模型,却忽略了信号的不同分辨率。我们提出一个名为多分辨率灵活不规则时间序列网络(Multi-FIT)的统一模型。Multi-FIT的构建模块是FIT网络。FIT网络利用信号信息(如最后观测值、距最后观测时间戳的时间差以及信号的总体均值)在每个时间步创建信息丰富的稠密表示。垂直FIT(FIT-V)是FIT的一种变体,它在为信号创建信息丰富的稠密表示的同时还对不同时序信号之间的关系进行建模。Multi-FIT模型对具有不同分辨率的信号集合使用多个FIT网络,进一步促进灵活表示的构建。我们的模型有三个主要贡献:a.)它不插补值,而是创建信息丰富的表示,为模型提供创建特定任务表示的灵活性;b.)它以支持信号的形式对不同信号之间的关系进行建模;c.)它在并行建模不同分辨率后再将其合并用于最终预测任务。FIT、FIT-V和Multi-FIT网络在包括患者生存预测在内的三个预测任务上均优于最先进的模型。
引用
@article{arxiv.1905.00125,
title = {Multi-resolution Networks For Flexible Irregular Time Series Modeling (Multi-FIT)},
author = {Bhanu Pratap Singh and Iman Deznabi and Bharath Narasimhan and Bryon Kucharski and Rheeya Uppaal and Akhila Josyula and Madalina Fiterau},
journal= {arXiv preprint arXiv:1905.00125},
year = {2019}
}