DBGL: Apprendimento a Grafo Bipartito Consapevole del Decadimento per la Classificazione di Serie Temporali Mediche Irregolari

Un nuovo metodo chiamato DBGL affronta le sfide nella modellazione di dati di serie temporali mediche irregolari. Questi dataset presentano difficoltà dovute a frequenze di campionamento incoerenti, osservazioni asincrone e intervalli variabili tra le misurazioni. Gli approcci esistenti spesso non riescono a gestire adeguatamente l'irregolarità del campionamento temporale e i pattern di dati mancanti. Inoltre, faticano a catturare l'irregolarità del decadimento variabile, portando a rappresentazioni subottimali. DBGL introduce un grafo bipartito paziente-variabile che modella simultaneamente i pattern di campionamento irregolari senza richiedere allineamenti artificiali. Questo grafo cattura in modo adattivo le relazioni tra le variabili per migliorare la modellazione dell'irregolarità del campionamento temporale. Per affrontare l'irregolarità del decadimento variabile, DBGL incorpora un innovativo meccanismo di codifica del decadimento temporale specifico per nodo. Il metodo migliora l'apprendimento della rappresentazione per applicazioni cliniche in cui la comprensione delle condizioni del paziente dipende da un'analisi accurata delle serie temporali. La ricerca è stata annunciata su arXiv con l'identificatore 2604.11842v1.