SuperMAN: 面向时间稀疏异构数据的可解释且具表达力网络
机器学习
2026-03-03 v5
摘要
真实世界的时间数据通常包含以不规则、异步间隔记录的多种信号类型。例如，在医疗领域，不同类型的血液检测可以在不同时间和频率下进行测量，从而导致时间数据碎片化且分布不均。不规则采样的问题也出现在其他领域，例如使用事件日志文件对大型系统进行监控。从这类数据中有效学习需要处理时间稀疏且异构的信号集合。在这项工作中，我们提出了 Super Mixing Additive Networks (SuperMAN)，一种新颖且设计上可解释的框架，通过将异构信号建模为隐式图集合，直接从这类信号中学习。SuperMAN 提供了多样的可解释性能力，包括节点级、图级和子集级重要性，并使从业者能够在有领域先验时以更细粒度的可解释性换取更强的表达力。SuperMAN 在真实世界的高风险任务中实现了 SOTA 性能，包括根据常规血液检测指标预测克罗恩病发病和住院时长，以及检测假新闻。此外，我们展示了 SuperMAN 的可解释性特性如何协助揭示疾病发展阶段转变，并在医疗保健领域提供关键见解。
引用
@article{arxiv.2505.19193,
title = {SuperMAN: Interpretable and Expressive Networks over Temporally Sparse Heterogeneous Data},
author = {Maya Bechler-Speicher and Andrea Zerio and Maor Huri and Marie Vibeke Vestergaard and Ran Gilad-Bachrach and Tine Jess and Samir Bhatt and Aleksejs Sazonovs},
journal= {arXiv preprint arXiv:2505.19193},
year = {2026}
}