臨床時系列における解釈可能な予測のための微分可能な潜在構造発見
arXiv cs.LG / 2026/5/1
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、不規則なEHR時系列から解釈可能な予測を行うために、スパースで順序付けされた依存関係構造（有向非巡回グラフ, DAG）を学習する連続時間マルチタスク・ガウス過程としてStructGPを提案する。
- さらにLP-StructGPでは、時間的にシフトした潜在経路を、主観（被験者）ごとの結合フィルタとsoftmaxゲーティングで推定することで、患者間の進行パターンを捉えるよう拡張している。
- どちらのモデルも、スパース性と非巡回性の制約（拡張ラグランジュ法）を課し、低ランク更新によってスケーラブルに最適化できるようにしつつ、Adamで学習する。
- シミュレーションではStructGPがグラウンドトゥルースのグラフや経路割り当てを安定して回復し、実データ（MIMIC-IV敗血症性ショック、PhysioNet Challenge）でも独立タスクや非構造カーネルのベースラインより予測精度が向上し、不確実性のキャリブレーションも優れる。
- 以上より、構造化されたプロセス畳み込みと潜在経路モデリングの組み合わせが、不規則な臨床時系列に対して解釈可能でスケーラブル、かつ適切にキャリブレーションされた予測を実現し得ることが示される。
