Fugu-MT 論文翻訳(概要): Interpretable Neural Temporal Point Processes for Modelling Electronic Health Records

論文の概要: Interpretable Neural Temporal Point Processes for Modelling Electronic Health Records

arxiv url: http://arxiv.org/abs/2404.08007v1
Date: Tue, 9 Apr 2024 12:37:41 GMT
ステータス: 処理完了
システム内更新日: 2024-04-15 16:54:09.365361
Title: Interpretable Neural Temporal Point Processes for Modelling Electronic Health Records
Title（参考訳）: 電子カルテモデリングのための解釈可能なニューラル・テンポラル・ポイント・プロセス
Authors: Bingqing Liu,
Abstract要約: 本稿では、イベントシーケンスモデリングのための解釈可能なフレームワーク inf2vec を提案し、イベントの影響を直接パラメータ化し、エンドツーエンドで学習することができる。実験では,イベント予測におけるモデルの有効性と,型型学習の影響を実証した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Electronic Health Records (EHR) can be represented as temporal sequences that record the events (medical visits) from patients. Neural temporal point process (NTPP) has achieved great success in modeling event sequences that occur in continuous time space. However, due to the black-box nature of neural networks, existing NTPP models fall short in explaining the dependencies between different event types. In this paper, inspired by word2vec and Hawkes process, we propose an interpretable framework inf2vec for event sequence modelling, where the event influences are directly parameterized and can be learned end-to-end. In the experiment, we demonstrate the superiority of our model on event prediction as well as type-type influences learning.
Abstract（参考訳）: 電子健康記録(Electronic Health Records, EHR)は、患者からの出来事(医療訪問)を記録する一時的なシーケンスとして表すことができる。ニューラル・テンポラル・ポイント・プロセス (NTPP) は連続時間空間で発生する事象列のモデル化において大きな成功を収めた。しかしながら、ニューラルネットワークのブラックボックスの性質のため、既存のNTPPモデルは、異なるイベントタイプ間の依存関係を説明するには不十分である。本稿では, word2vec と Hawkes プロセスにインスパイアされたイベントシーケンスモデリングのための解釈可能なフレームワーク inf2vec を提案する。実験では,イベント予測におけるモデルの有効性と,型型学習の影響を実証した。

関連論文リスト

Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
論文参考訳（メタデータ） (2024-02-01T07:21:30Z)
Interacting Diffusion Processes for Event Sequence Forecasting [20.380620709345898]
拡散生成モデルを組み込んだ新しい手法を提案する。このモデルはシーケンス・ツー・シーケンスの予測を容易にし、過去のイベント・シーケンスに基づいた複数ステップの予測を可能にする。提案手法は,TPPの長期予測において,最先端のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2023-10-26T22:17:25Z)
Enhancing Asynchronous Time Series Forecasting with Contrastive Relational Inference [21.51753838306655]
時間点プロセス(TPP)は、そのようなモデリングの標準的な方法である。既存のTPPモデルは、イベントの相互作用を明示的にモデル化する代わりに、将来のイベントの条件分布に焦点を当てており、イベント予測の課題を示唆している。本稿では,ニューラル推論(NRI)を利用して,観測データから動的パターンを同時に学習しながら,相互作用を推論するグラフを学習する手法を提案する。
論文参考訳（メタデータ） (2023-09-06T09:47:03Z)
Continuous-time convolutions model of event sequences [53.36665135225617]
イベントシーケンスデータの巨大なサンプルは、eコマース、ヘルスケア、ファイナンスなど、さまざまなドメインで発生します。利用可能なデータの量とクライアント毎のイベントシーケンスの長さは典型的には大きいため、長期的なモデリングが必要である。時間内の事象の一様発生に適した連続畳み込みニューラルネットワークに基づくCOTIC法を提案する。
論文参考訳（メタデータ） (2023-02-13T10:34:51Z)
CEP3: Community Event Prediction with Neural Point Process on Graph [59.434777403325604]
グラフニューラルネットワークとマーク付き時間点プロセス(MTPP)を組み合わせた新しいモデルを提案する。実験では,モデルの精度と訓練効率の両面から,モデルの優れた性能を実証した。
論文参考訳（メタデータ） (2022-05-21T15:30:25Z)
Variational Neural Temporal Point Process [22.396329275957996]
時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
論文参考訳（メタデータ） (2022-02-17T13:34:30Z)
DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文参考訳（メタデータ） (2021-12-08T13:07:21Z)
Dynamic Hawkes Processes for Discovering Time-evolving Communities' States behind Diffusion Processes [57.22860407362061]
拡散プロセスの背後にあるコミュニティ状態の基盤となるダイナミクスを捉えることができる新しいホークスプロセスモデルを提案する。提案手法はDHPと呼ばれ、時間発展するコミュニティの状態の複雑な表現を学習するための柔軟な方法を提供する。
論文参考訳（メタデータ） (2021-05-24T08:35:48Z)
Temporal Cascade and Structural Modelling of EHRs for Granular Readmission Prediction [10.943928059802174]
本稿では,時間的カスケード関係をモデル化するための新しいモデルMEDCASを提案する。 MEDCASは、訪問タイプと時間ギャップをモデル化する点過程を、注目に基づくシーケンス・ツー・シーケンス学習モデルに統合する。 3つの実世界のEHRデータセットの実験を行い、ttexttMEDCASが両方のタスクで最先端のモデルより優れていることを示した。
論文参考訳（メタデータ） (2021-02-04T13:02:04Z)
Graph Hawkes Neural Network for Forecasting on Temporal Knowledge Graphs [38.56057203198837]
ホークスプロセスは、異なるイベントタイプで自己励起イベントシーケンスをモデリングする標準的な方法となっている。本稿では,進化するグラフ列のダイナミクスを捉えることができるグラフホークスニューラルネットワークを提案する。
論文参考訳（メタデータ） (2020-03-30T12:56:50Z)
Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。