MULTIPAR：基于多任务监督的不规则张量分解
机器学习
2022-08-10 v2
摘要
张量分解因其在多维数据中捕捉潜在因子的内在能力而受到越来越多的关注，并在推荐系统与电子健康记录（EHR）挖掘等诸多应用中发挥作用。PARAFAC2 及其变体被提出用于处理不规则张量，其中张量的某一模式未对齐，例如推荐系统中不同用户或 EHR 中不同患者可能具有不同长度的记录。PARAFAC2 已成功应用于 EHR 以提取有意义的医学概念（表型）。尽管近期有所进展，当前模型的可预测性与可解释性仍不尽如人意，限制了其用于下游分析。本文提出 MULTIPAR：一种带多任务学习的监督式不规则张量分解。MULTIPAR 可灵活纳入静态（如院内死亡率预测）与连续或动态（如通气需求）任务。通过用下游预测任务监督张量分解并利用多个相关预测任务的信息，MULTIPAR 不仅能产生更有意义的表型，还能为下游任务带来更好的预测性能。我们在两个真实世界时序 EHR 数据集上进行了大量实验，表明 MULTIPAR 具有可扩展性，且相较于现有最先进方法取得了更好的张量拟合、更有意义的子群与更强的预测性能。
引用
@article{arxiv.2208.00993,
title = {MULTIPAR: Supervised Irregular Tensor Factorization with Multi-task Learning},
author = {Yifei Ren and Jian Lou and Li Xiong and Joyce C Ho and Xiaoqian Jiang and Sivasubramanium Bhavani},
journal= {arXiv preprint arXiv:2208.00993},
year = {2022}
}