WaveGNN：融合图神经网络与 Transformer 以实现不规则临床时间序列的衰减感知分类
机器学习
2025-12-18 v2 人工智能
摘要
临床时间序列通常采样不规则，具有传感器频率不一、观测值缺失和时间戳未对齐等特点。以往的方法通常通过将数据插值为规则序列来解决这些不规则性，从而引入偏差；或者在不同传感器测量值之间生成不一致且不可解释的关系，使序列内与序列间依赖关系的准确学习变得复杂。我们引入了 WaveGNN，这是一种直接在不规则多变量时间序列上操作的模型，无需插值或转换为规则表示。WaveGNN 将用于捕获序列内动态的衰减感知 Transformer 与对短期和长期传感器间关系进行建模的特定样本图神经网络相结合。因此，它为每个样本生成一个单一、稀疏且可解释的图。在多个基准数据集（P12、P19、MIMIC-III 和 PAM）上，WaveGNN 始终保持强劲的性能，而其他 SOTA 基线往往在某些数据集或任务上表现良好，但在其他上表现不佳。虽然 WaveGNN 不一定在所有情况下都超越所有方法，但其在不同设置下的一致性与鲁棒性使其脱颖而出。此外，学习到的图与已知的生理结构高度吻合，增强了可解释性并支持临床决策。
引用
@article{arxiv.2412.10621,
title = {WaveGNN: Integrating Graph Neural Networks and Transformers for Decay-Aware Classification of Irregular Clinical Time-Series},
author = {Arash Hajisafi and Maria Despoina Siampou and Bita Azarijoo and Zhen Xiong and Cyrus Shahabi},
journal= {arXiv preprint arXiv:2412.10621},
year = {2025}
}
备注
Accepted to IEEE BigData 2025. Author-accepted manuscript