具有潜在因果效应解耦的神经状态空间建模
机器学习
2022-09-27 v1 人工智能
机器学习
摘要
尽管深度学习方法在时间序列重构方面取得了实质性进展，现有方法均未被设计用于揭示具有微小信号强度的局部活动，因为它们对优化损失的贡献可忽略不计。然而，此类局部活动可能标志着生理系统中的重要异常事件，例如额外兴奋灶触发心脏中电波的异常传播。我们讨论了一种重构此类局部活动的新技术：其信号强度虽小，却是后续具有更大信号强度的全局活动的成因。我们的核心创新在于通过显式建模并解耦系统的潜状态如何受潜在隐藏内部干预影响来实现这一点。在一种新颖的神经状态空间模型（SSM）公式中，我们首先通过一组交互神经ODE引入潜动态的因果效应建模，分别描述1）内部干预的连续时间动态，以及2）其对系统原生状态轨迹的影响。由于干预无法直接观测而必须从观测到的后续效应中解耦，我们整合了系统无干预原生动态的知识，并推断隐藏干预是导致实际无干预动态与假设无干预动态之间观测差异的原因。我们在从远端观测重构扰乱正常心脏电传播的异位兴奋灶上展示了该框架的概念验证。
引用
@article{arxiv.2209.12387,
title = {Neural State-Space Modeling with Latent Causal-Effect Disentanglement},
author = {Maryam Toloubidokhti and Ryan Missel and Xiajun Jiang and Niels Otani and Linwei Wang},
journal= {arXiv preprint arXiv:2209.12387},
year = {2022}
}
备注
presented at the 13th Machine Learning in Medical Imaging (MLMI 2022) Workshop