面向阿尔茨海默病的含缺失值多任务纵向预测
机器学习
2022-01-14 v1 机器学习
摘要
通常应用于痴呆预测的机器学习技术，在联合学习多个任务、处理时间依赖的异质数据以及缺失值方面存在不足。本文中，我们提出一种使用近期提出的 SSHIBA 模型来联合学习含缺失值纵向数据上不同任务的框架。该方法使用贝叶斯变分推断来填补缺失值并融合多个视图的信息。借此，我们可将来自不同时间点的不同数据视图组合于一个公共潜空间中，学习各时间点之间的关系，同时建模并预测若干输出变量。我们将该模型应用于联合预测痴呆中的诊断、脑室体积与临床评分。结果表明，SSHIBA 能够学习到良好的缺失值填补，并在同时预测三个不同任务时优于基线方法。
引用
@article{arxiv.2201.05040,
title = {Multi-task longitudinal forecasting with missing values on Alzheimer's Disease},
author = {Carlos Sevilla-Salcedo and Vandad Imani and Pablo M. Olmos and Vanessa Gómez-Verdejo and Jussi Tohka},
journal= {arXiv preprint arXiv:2201.05040},
year = {2022}
}