Fugu-MT 論文翻訳(概要): TimEHR: Image-based Time Series Generation for Electronic Health Records

論文の概要: TimEHR: Image-based Time Series Generation for Electronic Health Records

arxiv url: http://arxiv.org/abs/2402.06318v1
Date: Fri, 9 Feb 2024 10:57:14 GMT
ステータス: 処理完了
システム内更新日: 2024-02-12 17:17:27.343316
Title: TimEHR: Image-based Time Series Generation for Electronic Health Records
Title（参考訳）: TimEHR:電子健康記録のための画像ベースの時系列生成
Authors: Hojjat Karami, Mary-Anne Hartley, David Atienza, Anisoara Ionescu
Abstract要約: EHRから時系列データを生成する新しいGANモデルTimEHRを提案する。実世界の3つのEHRデータセットの実験結果から、TimEHRは忠実さ、ユーティリティ、プライバシのメトリクスで最先端のメソッドよりも優れています。
参考スコア（独自算出の注目度）: 3.9018723423306003
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time series in Electronic Health Records (EHRs) present unique challenges for generative models, such as irregular sampling, missing values, and high dimensionality. In this paper, we propose a novel generative adversarial network (GAN) model, TimEHR, to generate time series data from EHRs. In particular, TimEHR treats time series as images and is based on two conditional GANs. The first GAN generates missingness patterns, and the second GAN generates time series values based on the missingness pattern. Experimental results on three real-world EHR datasets show that TimEHR outperforms state-of-the-art methods in terms of fidelity, utility, and privacy metrics.
Abstract（参考訳）: 電子健康記録(EHR)の時系列は、不規則サンプリング、欠落値、高次元性などの生成モデルに固有の課題を提示する。本稿では,eersから時系列データを生成するための新しい生成型逆ネットワーク(gan)モデルtimehrを提案する。特にTimEHRは時系列を画像として扱い、2つの条件付きGANに基づいている。第1のGANは不足パターンを生成し、第2のGANは不足パターンに基づいて時系列値を生成する。実世界の3つのEHRデータセットの実験結果から、TimEHRは忠実さ、ユーティリティ、プライバシのメトリクスで最先端のメソッドよりも優れています。

関連論文リスト

General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
論文参考訳（メタデータ） (2025-02-05T15:20:04Z)
Recurrent Neural Goodness-of-Fit Test for Time Series [8.22915954499148]
時系列データは、金融や医療など、さまざまな分野において重要である。従来の評価基準は、時間的依存関係と潜在的な特徴の高次元性のために不足している。 Recurrent Neural (RENAL) Goodness-of-Fit testは,生成時系列モデルを評価するための新しい,統計的に厳密なフレームワークである。
論文参考訳（メタデータ） (2024-10-17T19:32:25Z)
Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
論文参考訳（メタデータ） (2024-10-14T13:01:11Z)
Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。時間間隔推定を組み込んだ拡散モデルである。我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文参考訳（メタデータ） (2024-06-20T02:20:23Z)
PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文参考訳（メタデータ） (2024-02-25T17:39:44Z)
Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文参考訳（メタデータ） (2023-10-04T07:14:43Z)
Data-Driven Modeling of Noise Time Series with Convolutional Generative Adversarial Networks [0.456877715768796]
データ駆動型モデリングにおけるGAN(Generative Adversarial Network)に対する近年の関心を考えると、GANがターゲットデータセットのノイズを忠実に再現できる範囲を決定することが重要である。我々は,この問題を時系列に光を当てることを目的とした実証的研究を提示する。 GANは様々なノイズタイプを学習できるが、GANアーキテクチャがノイズのいくつかの側面に適していない場合、予測に苦戦する。
論文参考訳（メタデータ） (2022-07-03T20:07:00Z)
Multi-Label Clinical Time-Series Generation via Conditional GAN [23.380183382491495]
MTGAN(Multi-label Time-Series GAN)を用いて,EMHデータと不均衡な疾患を生成する。批評家はワッサースタイン距離を用いてスコアを与え、データと時間的特徴の両方を考慮することで、合成サンプルから実際のサンプルを認識する。実験により, MTGANの合成データの品質と実効性を示す。
論文参考訳（メタデータ） (2022-04-10T23:30:07Z)
Towards Generating Real-World Time Series Data [52.51620668470388]
時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
論文参考訳（メタデータ） (2021-11-16T11:31:37Z)
PSA-GAN: Progressive Self Attention GANs for Synthetic Time Series [0.0]
PSA-GAN(Generative Adversarial Network, GAN)は, 高品質な時系列サンプルを生成する。 PSA-GANは,実データのみを使用するベースライン上の2つの下流予測タスクにおいて,誤差を低減できることを示す。
論文参考訳（メタデータ） (2021-08-02T15:30:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。