面向医疗应用的局部线性潜在因子时间矩阵补全
机器学习
2016-11-04 v1 计算机视觉与模式识别
机器学习
摘要
常规医疗记录有助于医疗从业者分析和监测患者健康状况，尤其是慢性病患者，但由于患者不按时和缺席，此类记录通常不完整。为了解决随时间缺失数据的问题，近期论文建议使用基于张量的模型进行缺失数据插补，因为该方法对高度相关数据利用低秩张量假设。然而，当记录间时间间隔较长时，数据沿时间方向的相关性不高，该假设不成立。为解决此问题，我们提出将含缺失数据的矩阵分解为其潜在因子。然后，本文对这些因子施加局部线性约束以进行矩阵补全。通过使用一个公开数据集和两个从医院收集的医疗数据集，实验结果表明所提算法与现有方法相比取得了最佳性能。
引用
@article{arxiv.1611.00800,
title = {Temporal Matrix Completion with Locally Linear Latent Factors for Medical Applications},
author = {Frodo Kin Sun Chan and Andy J Ma and Pong C Yuen and Terry Cheuk-Fung Yip and Yee-Kit Tse and Vincent Wai-Sun Wong and Grace Lai-Hung Wong},
journal= {arXiv preprint arXiv:1611.00800},
year = {2016}
}