DBGL: 非一様な医療時系列分類のための減衰を考慮した二部グラフ学習

概要: 不規則な医療時系列は、患者の状態をよりよく理解するために、臨床領域で重要な役割を果たします。しかし、異種のサンプリングレート、非同期な観測、変動するギャップに起因する固有の不規則性は、信頼性の高いモデリングに向けた主要な課題となります。既存手法はしばしば、時間的なサンプリング不規則性や欠測パターンを歪めてしまい、また可変の減衰不規則性を捉えられないため、最適でない表現につながります。これらの制約に対処するために、我々は、不規則な医療時系列のための Decay-Aware Bipartite Graph Learning（DBGL）を提案します。DBGL はまず、人工的な整列を行わずに不規則なサンプリングパターンを同時に捉える患者変数の二部グラフを導入し、時間的サンプリング不規則性のモデリングに向けて、変数間の関係性を適応的にモデル化することで、表現学習を強化します。変数の減衰不規則性をモデル化するために、DBGL は新しいノード特有の時間的減衰符号化メカニズムを設計し、サンプリング間隔に基づいて各変数の減衰率を捉えることで、不規則な時間ダイナミクスをより正確かつ忠実に表現します。公開されている4つのデータセットでDBGLの性能を評価したところ、その結果は DBGL がすべてのベースラインを上回ることを示しています。