Nov, 2019

TASTE：基于时间和静态张量分解的电子健康记录表型化

PDF
TL;DR本文提出了一种名为 TASTE 的张量分解算法，能够同时考虑电子健康记录中的静态和时序信息，经综合实验验证，TASTE 所提取的心力衰竭患者表型效果较好。
发现论文，激发创造
  • 通过张量分解发现高维人类行为数据中的隐藏结构

    应用非负张量因式分解方法在穿戴式传感器数据集 StudentLife 中，提取潜在的时间因素和相似个体群组，成功发现了表现良好的个体和常常从事休闲活动的个体，从而揭示了数据的低维结构。

    May, 2019

  • 一种适应时间的张量分解方法用于跟踪演化模式

    提出了一种基于 tPARAFAC2 的张量分解方法，通过时间正则化从时间数据中准确提取逐渐演变的模式，通过对合成数据的广泛实验表明，tPARAFAC2 可以更好地捕捉底层演变的模式，优于 PARAFAC2 和带有时间平滑正则化的耦合矩阵分解。

    Aug, 2023

  • 从时间序列的电子健康记录学习病人静态信息和保护隐私公平的方法

    我们系统地研究了机器学习模型从时间序列电子健康记录中编码患者静态信息的能力，并介绍了一种保护患者敏感属性信息的通用方法。

    Sep, 2023

  • 非参数因子轨迹学习动态张量分解

    该研究提出了一种名为 “NONFAT” 的方法，它使用高斯过程先验和稀疏变分学习算法来实现动态张量分解，以分析伴随有时间信息的多维数据，并应用于多种实际应用中。

    Jul, 2022

  • SWoTTeD：一种临床时间表征的张量分解扩展

    该论文介绍了一种名为 SWoTTeD 的方法，它是一种用于发现隐藏的时间模式的新方法，该方法通过集成多个限制和正则化来提高提取的时间表型的解释性。

    Oct, 2023

  • tPARAFAC2：追踪（不完整）时序数据中的演变模式

    为了捕捉底层演化模式，引入了具有时间平滑正则化的 tPARAFAC2，使用交替优化和交替方向乘法器方法实现模型拟合。在处理丢失的数据方面，对比了不同方法，结果表明时间平滑正则化的有效性。

    Jul, 2024

  • 基于长期电子健康记录的标记有效的事件表型鉴定 (LATTE)

    本研究提出一种 LAbel-efficienT incidenT phEnotyping (LATTE) 算法，旨在通过使用病程数据中的先前训练的语义嵌入向量作为先验知识，并使用反向传播和半监督联合学习，从而准确注释临床事件的时间，从而提高电子健康记录 (EHR) 数据支持真实世界证据 (RWE) 研究的可靠性。通过在三个分析中进行评估，在所有设置中，LATTE 相对于基准方法（如 SAMGEP 和 RETAIN）均获得了实质性的改进。

    May, 2023

  • 基于张量分解的多药联合副作用预测

    药物联合使用引起的不良反应是现代医学中一个日益普遍的现象，对其准确预测的挑战至关重要。尽管存在大量计算方法来解决这个问题，但由于问题的多项式特性，仅依靠实验室的方法无法满足需求。我们将三种张量分解模型应用于基准数据集，与现有技术进行比较，发现与先前的报告相反，在此任务中，张量分解模型与最先进的图神经网络模型具有竞争力，因此建议未来的研究在运行昂贵的深度学习流程之前考虑更廉价的具有线性复杂度的方法。

    Apr, 2024

  • STELAR：带有潜在流行病学正则化的时空张量分解

    本论文提出了一种基于张量方法（STELAR）的模型，旨在准确预测 COVID-19 等流行病在多个区域的演化趋势，训练模型使用 3D 张量，经过实验证明，该模型能够在县级和州级预测中对该病毒的传播情况实现准确预测。

    Dec, 2020

  • 神经张量分解

    本文提出了基于神经张量分解的动态关系数据预测模型，该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用，并结合多层感知器结构学习不同潜在因素之间的非线性关系，实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。

    Feb, 2018