Warpformer：一种面向不规则临床时间序列的多尺度建模方法

不规则采样的多元时间序列在各领域尤其是医疗健康中十分普遍，并表现出两个关键特征：序列内不规则性与序列间差异性。序列内不规则性指时间序列信号常以不规则间隔记录，而序列间差异性指不同序列间采样率存在显著变化。然而，近期关于不规则时间序列的进展主要聚焦于解决序列内不规则性，忽视了序列间差异性问题。为弥补这一差距，我们提出 Warpformer，一种充分考量这两种特征的新方法。简而言之，Warpformer 具有若干关键设计，包括显式刻画序列内不规则性与序列间差异性的特定输入表示、在给定尺度上自适应统一不规则时间序列的扭曲模块，以及用于表示学习的定制注意力模块。此外，我们堆叠多个扭曲与注意力模块以在不同尺度上学习，生成平衡粗粒度与细粒度信号的多尺度表示用于下游任务。我们在广泛使用的数据集及一个从临床数据库构建的新大规模基准上进行了大量实验。结果证明了 Warpformer 相对于现有最先进方法的优越性。