临床时间序列的谱结构学习
机器学习
2025-02-18 v1
摘要
我们开发并评估了一种用于临床时间序列的结构学习算法。临床时间序列是观察于多个患者中的多变量时间序列且采样不规则，这对现有的结构学习算法构成了挑战。我们假设这些时间序列是 StructGP——一种 k 维多输出或多任务平稳高斯过程 (GP) 的实现，不同患者共享相同的协方差函数。StructGP 编码了时间序列之间的有序条件关系，表现为有向无环图 (DAG)。我们实现了一个改进的 NOTEARS 算法，该算法基于可微分的无环性定义，通过求解一系列连续优化问题来恢复图结构。仿真结果表明，在节点度数为 3 且任务数为 20 的情况下，我们能够以中位数召回率达到 0.93% [IQR, 0.86, 0.97]，同时保持中位数精度为 0.71% [0.57-0.84] 的有向边恢复效果。我们进一步表明，正则化路径对于识别图结构至关重要。通过 StructGP，我们提出了一种灵活适应不同时间序列规则的依赖模型，同时能够从观察数据中学习这些依赖关系。
关键词
引用
@article{arxiv.2502.11680,
title = {Spectral structure learning for clinical time series},
author = {Ivan Lerner and Anita Burgun and Francis Bach},
journal= {arXiv preprint arXiv:2502.11680},
year = {2025}
}