Warpformer:一种针对不规则临床时间序列的多尺度建模方法
提出了 Compatible Transformer (CoFormer),一种基于 Transformer 的编码器,用于处理不规则多变量时间序列,并在分类和预测等下游任务中表现出显著的性能优势。
Oct, 2023
该论文介绍了一种名为 Pathformer 的多尺度 Transformer 模型,通过自适应路径进行多尺度建模,以提高预测准确性和泛化能力,实验证明其在真实数据集上表现出优越的性能和泛化能力。
Feb, 2024
本文提出了一种基于时间序列的无监督异常检测方法,使用数据增强来实现具有鲁棒性的表示学习,并应用于最先进的异常检测技术中,实现在时间序列中检测点异常和序列异常,并与现有方法进行了对比,得到了良好的性能和计算效率。
Jun, 2019
本文旨在利用图像分类的方式,将不规则采样的时间序列转换为线图像,应用于医疗应用中的时间序列分类问题,大大简化了算法设计,同时在多个数据集上显示出良好的性能,特别是在具有挑战性的离散传感器设置中,绝对 F1 分数提高了 54.0%。
Mar, 2023
本论文通过手工建模和学习内插嵌入,采用分离机制建模不规则的时间序列;采用时间注意力机制,将临床记录的一系列表示为多元不规则时间序列,并采用交织注意机制跨时间步骤进行多模态融合,以整合多模态表示。结果表明,我们提出的方法在单一模态和多模态情景下都优于现有方法,说明了我们方法的有效性和模拟不规则性的价值。
Oct, 2022
本研究基于数据时间聚类的不变性,提出了分析多变量临床时间序列数据的模型以及一种数据扩充技术方案,用于规范化深度神经网络中医学预测任务,该方法以评估医疗预测任务为基准,提高了其预测精度。
Apr, 2019
本研究提出了一种通用的多尺度框架,可应用于当前最先进的基于 Transformer 的时间序列预测模型,通过多尺度共享权重迭代地改进预测的时间序列,引入架构适应和特殊设计的标准化方案,可在不增加过多计算负担的情况下,将性能从 5.5%提高到 38.5%,详细的消融研究表明了每个贡献在架构和方法上的有效性,进一步证明了所提出的改进优于其对应的基线模型,代码公开在此 https URL。
Jun, 2022
介绍了一种专为医学时间序列分类定制的多粒度补丁变换器 Medformer,该方法利用交叉通道补丁、多粒度嵌入、两阶段多粒度自注意等新机制,在多个公共数据集上的实验证明了其在医疗应用中的显著影响。
May, 2024
本文介绍一种基于变分自编码器和生成对抗网络的编码器 - 解码器框架,用于学习不规则采样的时间序列数据,提出了一种连续卷积层用于与现有神经网络体系结构高效对接。实验证明,该模型在不规则多元时间序列分类的结果上可以比最近的 RNN 模型表现得更好,同时具有显著更快的训练速度。
Aug, 2020