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
- 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) - Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳(メタデータ) (2024-02-04T06:55:55Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
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。
以上の結果から,KVAEは,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法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-08-11T14:05:51Z) - 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) - TG-GAN: Continuous-time Temporal Graph Generation with Deep Generative
Models [9.75258136573147]
本稿では,時系列グラフ生成のためのTG-GAN'と呼ばれる新しいモデルを提案する。
まず,時間予算とノード属性を共同でモデル化する新しい時間グラフ生成手法を提案する。
さらに、繰り返しアーキテクチャ上での時間とノードの符号化操作を組み合わせて生成されたシーケンスを識別する新しい時間グラフ識別器を提案する。
論文 参考訳(メタデータ) (2020-05-17T17:59:12Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。