不规则医疗时间序列中的时间聚类不变性
机器学习
2019-04-30 v1 定量方法
机器学习
摘要
电子记录包含事件序列，其中部分事件在一次就诊中同时发生，另一些则分散于多次就诊，且各自具有不同时间戳。我们假定，精细的时间细节（例如一系列血液检查是一次性完成还是快速连续完成）不应改变基于该数据的预测。受此直觉驱动，我们提出用于分析多变量临床时间序列数据序列的模型，其对这种时间聚类具有不变性。我们提出一种高效的数据增强技术，利用所假设的时间聚类不变性来正则化针对若干临床预测任务优化的深度神经网络。我们引入两种对不规则时间序列进行时间粗化（下采样）的技术：（i）基于规则间隔的时间戳对数据点分组；以及（ii）对数据点聚类，产生不规则间隔的时间戳。此外，我们提出一种多分辨率集成（MRE）模型，通过对基于不同粗化算子变换的输入序列所得预测进行集成，提升预测精度。我们的实验表明，MRE 在基准死亡率预测任务上将 mAP 从 51.53% 提升至 53.92%。
引用
@article{arxiv.1904.12206,
title = {Temporal-Clustering Invariance in Irregular Healthcare Time Series},
author = {Mohammad Taha Bahadori and Zachary Chase Lipton},
journal= {arXiv preprint arXiv:1904.12206},
year = {2019}
}