Treatment-RSPN：用于序贯治疗策略的循环积和网
机器学习
2022-11-15 v1
摘要
积和网（SPNs）近年来作为一种能够实现高效概率推断的新型深度学习架构而出现。自提出以来，SPNs已被应用于广泛的数据模态并扩展至时间序列数据。本文中，我们提出一个利用循环积和网（RSPNs）对序贯治疗决策行为及治疗反应进行建模的通用框架。基于该框架开发的模型具备RSPN的全部能力，包括建模数据完整分布、无缝处理潜变量、缺失值与分类数据，以及高效执行边缘与条件推断。我们的方法辅以一种针对RSPNs的期望最大化算法新变体，可实现模型的高效训练。我们在合成数据集及来自MIMIC-IV重症监护室医学数据库的真实数据上评估了该方法。评估表明，该方法在合成数据上能紧密匹配真实数据生成过程，并在使用可处理且可解释模型的同时，取得接近神经网络与概率基线的结果。
引用
@article{arxiv.2211.07052,
title = {Treatment-RSPN: Recurrent Sum-Product Networks for Sequential Treatment Regimes},
author = {Adam Dejl and Harsh Deep and Jonathan Fei and Ardavan Saeedi and Li-wei H. Lehman},
journal= {arXiv preprint arXiv:2211.07052},
year = {2022}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2022, November 28th, 2022, New Orleans, United States & Virtual, http://www.ml4h.cc, 14 pages