面向事件与发生时间双重标签噪声的鲁棒深度 Hawkes 过程
机器学习
2024-07-30 v2 人工智能
摘要
将深度神经网络与 Hawkes 过程集成显著提高了在金融、健康信息学和信息技术中的预测能力。然而，这些模型在现实环境中常面临挑战，尤其是由于大量标签噪声。这一问题在医疗领域尤为突出，标签噪声可能源于电子病历更新延迟或误诊，从而增加预测风险。我们的研究表明，深度 Hawkes 过程模型在处理标签噪声时表现较差，尤其是当噪声同时影响事件类型和发生时间时。为应对这些挑战，我们首先检验了标签噪声对近似强度函数的影响，并提出了一种新框架，即鲁棒深度 Hawkes 过程（RDHP），以克服标签噪声对 Hawkes 模型强度函数的影响，同时考虑事件及其发生时间。我们使用多个带有合成噪声的开源基准测试数据集测试了 RDHP，并在具有内在标签噪声的真实场景中进行了 OSAHS 案例研究。结果表明，RDHP 能够有效处理与事件及其时间相关的噪声，执行分类和回归任务。据我们了解，这是首个成功解决深度 Hawkes 过程模型中事件和时间标签双重噪声的研究，为医疗应用（特别是 OSAHS 诊断）提供了有前景的解决方案。
引用
@article{arxiv.2407.17164,
title = {Robust Deep Hawkes Process under Label Noise of Both Event and Occurrence},
author = {Xiaoyu Tan and Bin Li and Xihe Qiu and Jingjing Huang and Yinghui Xu and Wei Chu},
journal= {arXiv preprint arXiv:2407.17164},
year = {2024}
}
备注
ECAI2024