基于图核 Infomax 的电子健康记录自监督表示学习

学习电子健康记录（EHR）表示是一个首要却未被充分发掘的研究主题。它惠及多种临床决策支持应用，如用药结果预测或患者相似性搜索。当前方法聚焦于对向量化序列 EHR 的任务特定标签监督，不适用于大规模无监督场景。近来，对比学习在自监督表示学习上取得巨大成功。然而，复杂时间性常使性能退化。我们提出 Graph Kernel Infomax，一种在 EHR 图表示上的自监督图核学习方法，以克服前述问题。与 SOTA 不同，我们不改动图结构来构造增强视图。相反，我们使用核子空间增强将节点嵌入两个几何不同的流形视图。整个框架通过在两个流形视图上对比节点与图表示、借助常用对比目标进行训练。实证上，使用公开基准 EHR 数据集，我们的方法在临床下游任务上的性能超越 SOTA。理论上，距离度量的变化自然创建不同视图作为数据增强而不改变图结构。