論文の概要: Temporal Dynamic Embedding for Irregularly Sampled Time Series

• arxiv url: http://arxiv.org/abs/2504.05768v1
• Date: Tue, 08 Apr 2025 07:49:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:31:04.124601
• Title: Temporal Dynamic Embedding for Irregularly Sampled Time Series
• Title（参考訳）: 不規則サンプリング時系列に対する時間的動的埋め込み
• Authors: Mincheol Kim, Soo-Yong Shin,
• Abstract要約: 時間的動的埋め込み(TDE)により、ニューラルネットワークモデルは、時間とともに変数の数を変えるデータを受け取ることができる。 physioNet 2012、MIMIC-III、physioNet 2019の3つの臨床データセットで実験が行われた。
• 参考スコア（独自算出の注目度）: 0.15346678870160887
• License:
• Abstract: In several practical applications, particularly healthcare, clinical data of each patient is individually recorded in a database at irregular intervals as required. This causes a sparse and irregularly sampled time series, which makes it difficult to handle as a structured representation of the prerequisites of neural network models. We therefore propose temporal dynamic embedding (TDE), which enables neural network models to receive data that change the number of variables over time. TDE regards each time series variable as an embedding vector evolving over time, instead of a conventional fixed structured representation, which causes a critical missing problem. For each time step, TDE allows for the selective adoption and aggregation of only observed variable subsets and represents the current status of patient based on current observations. The experiment was conducted on three clinical datasets: PhysioNet 2012, MIMIC-III, and PhysioNet 2019. The TDE model performed competitively or better than the imputation-based baseline and several recent state-of-the-art methods with reduced training runtime.
• Abstract（参考訳）: いくつかの実践的応用、特に医療において、各患者の臨床データは、必要に応じて不規則な間隔でデータベースに個別に記録される。 これにより、スパースで不規則にサンプリングされた時系列が発生し、ニューラルネットワークモデルの前提条件の構造化された表現として扱うのが難しくなる。 そこで本稿では,時間とともに変数数を変化させるデータを受け取るニューラルネットワークモデルとして,時間的動的埋め込み(TDE)を提案する。 TDEは、各時系列変数を従来の固定構造表現の代わりに時間とともに進化する埋め込みベクトルとみなし、致命的な問題を引き起こす。 各段階において、TDEは、観測された変数サブセットのみの選択的な採用と集約を可能にし、現在の観察に基づいて患者の現在の状態を表す。 この実験は、physioNet 2012、MIMIC-III、physioNet 2019の3つの臨床データセットで実施された。 TDEモデルは、命令ベースのベースラインと、トレーニングランタイムを減らした最近の最先端のいくつかの手法よりも、競争力や性能が向上した。

関連論文リスト

• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• 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)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Event2Graph: Event-driven Bipartite Graph for Multivariate Time-series Anomaly Detection [25.832983667044708]
  本稿では,時系列間の依存性を符号化する動的二部グラフ構造を提案する。 この設計に基づいて、時系列間の関係はイベントノードへの動的接続を通じて明示的にモデル化できる。
  論文  参考訳（メタデータ） (2021-08-15T17:50:37Z)
• Neural Controlled Differential Equations for Online Prediction Tasks [4.6453787256723365]
  我々は,ニューラルCDEは,リアルタイムに予測を行う必要のあるテキストトンライン予測タスクには適さないことを示した。 ここでは、有界性や特異性など、ニューラルCDEのスキームが満たすべきいくつかの理論的条件を特定する。 第2に、これらの条件に対処する新しいスキームの導入を動機付け、特に測定可能性を提供する。 第3に、MIMIC-IV医療データベースからの3つの連続モニタリングタスクに対して、オンラインのNeural CDEモデルを実証的にベンチマークする。
  論文  参考訳（メタデータ） (2021-06-21T12:23:45Z)
• CARRNN: A Continuous Autoregressive Recurrent Neural Network for Deep Representation Learning from Sporadic Temporal Data [1.8352113484137622]
  本稿では,散発データにおける複数の時間的特徴をモデル化するための新しい深層学習モデルを提案する。 提案モデルはCARRNNと呼ばれ、時間ラグによって変調されたニューラルネットワークを用いてエンドツーエンドにトレーニング可能な一般化された離散時間自己回帰モデルを使用する。 アルツハイマー病進行モデルおよび集中治療単位(ICU)死亡率予測のためのデータを用いて,多変量時系列回帰タスクに適用した。
  論文  参考訳（メタデータ） (2021-04-08T12:43:44Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)

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。