面向不规则采样临床时间序列的多视图集成学习
机器学习
2021-01-27 v2 人工智能
摘要
电子健康记录(EHR)数据由于以不规则时间间隔记录且每次观测点测量的临床变量不同，具有稀疏和不规则的特点。在本工作中，我们提出一种通过自注意力机制以免插补方式从不规则多变量时间序列数据进行多视图特征集成学习的方法。具体而言，我们设计了一种新颖的多集成注意力模块(MIAM)来提取不规则时间序列数据中固有的复杂信息。特别地，我们同时显式地学习观测值、缺失指示符以及连续观测间时间间隔之间的关系。我们方法背后的原理是利用人类知识，例如在不同情况下测量什么和何时测量，这些知识间接体现在数据中。此外，我们构建了一个基于注意力的解码器作为缺失值插补器，仅在训练阶段运行，以帮助增强多视图观测间相互关系的表示学习以用于预测任务。我们在公开MIMIC-III和PhysioNet challenge 2012数据集上验证了方法的有效性，与最先进方法比较并在院内死亡率预测任务上优于它们。
引用
@article{arxiv.2101.09986,
title = {Multi-view Integration Learning for Irregularly-sampled Clinical Time Series},
author = {Yurim Lee and Eunji Jun and Heung-Il Suk},
journal= {arXiv preprint arXiv:2101.09986},
year = {2021}
}