时间泊松平方根图模型
机器学习
2020-05-15 v1 机器学习
摘要
我们提出时间泊松平方根图模型（TPSQRs），它是泊松平方根图模型（PSQRs）的推广，专门设计用于建模纵向事件数据。通过估计所有事件类型可能对之间的时间关系，TPSQRs能够提供一个整体视角，判断任一给定事件类型的出现是否会激发或抑制其他类型。TPSQR通过学习一组共享相同模板参数化的相互关联的PSQRs来估计。这些PSQRs以伪似然方式联合估计，其中使用泊松伪似然来近似源于PSQRs的原本计算密集的伪似然问题。理论上，我们证明在温和假设下，泊松伪似然近似对于恢复底层PSQR具有稀疏一致性（sparsistent）。在实证上，我们从Marshfield Clinic电子健康记录（EHRs）中学习TPSQRs，其中包含数百万条药物处方和疾病诊断事件，用于药物不良反应（ADR）检测。实验结果表明，学习到的TPSQRs能够有效且高效地从EHR中恢复ADR信号。
引用
@article{arxiv.2005.06462,
title = {Temporal Poisson Square Root Graphical Models},
author = {Sinong Geng and Zhaobin Kuang and Peggy Peissig and David Page},
journal= {arXiv preprint arXiv:2005.06462},
year = {2020}
}