结构感知集合转换器：用于异步临床时间序列的时空与变量类型注意力偏置

电子健康记录（EHR）是不规则、非同步的多变量时间序列。随着时间序列基础模型越来越多地对事件进行标记而非离散化时间，输入布局成为关键设计选择。网格布局暴露了时间×变量结构，但需要插值或缺失掩码，风险为误差或抽样策略捷径。点集标记法避免了离散化，但丢失了变量内部轨迹以及时间局部的跨变量上下文（图1）。我们在 STructure-AwaRe（STAR）集合转换器中通过添加参数高效软注意力偏置来恢复这些先验条件：一个时空局部惩罚 $-|\Delta t|/\tau$，带可学习的时间尺度，以及来自学习特征兼容矩阵的变量类型亲和 $B_{s_i,s_j}$。我们对 10 种深度融合计划进行基准测试（图2）。在三个 ICU 预测任务上，STAR-Set 实现了 AUC/APR 为 0.7158/0.0026（CPR），0.9164/0.2033（死亡率），以及 0.8373/0.1258（血管活性药物使用）。学习的 $\tau$ 和 $B$ 提供了时序上下文和变量相互作用的可解释总结，为时序模型提供实用的上下文感知插件。