May, 2024

高维多重插补（HDMI）用于部分观察到的混杂变量，包括自然语言处理提取的辅助协变量

PDF
TL;DR在部分观察到的混杂因素依赖缺失数据的情况下，通过结构化和自然语言处理 (NLP) 衍生的辅助协变量 (AC) 来开发和比较高维度的多重插补 (MI) 方法，将辅助协变量引入 MI 模型中，可能降低偏差。
multiple imputationhigh-dimensional dataauxiliary covariatesnatural language processing (nlp)missingness
发现论文，激发创造
  • 假设差异规范化的互信息最大化

    提出了一种假设差异规则化的互信息最大化方法，用于处理无监督假设转移，通过使用多个假设来传递源领域的知识，而不需要在适应过程中访问源数据，从而在假设转移学习的上下文中实现了最先进的 UDA 适应性能。

    Dec, 2020

  • Hi-CI: 高维度深度因果推断

    本文提出了一种名为 Hi-CI 的深度神经网络算法，可以使用因果推断 (CI) 从高纬度协变量和高基数处理中进行反事实回归，并通过使用去相关网络和结果预测网络解决混淆偏差问题，最后展示了该算法在合成和真实数据集上的有效性。

    Aug, 2020

  • MISNN: 半参数神经网络多元插补

    本文提出了一个新的算法 MISNN，用于处理高维缺失数据的多重插补问题，该算法借助于神经网络的逼近能力，将特征选择嵌入 MI 模型中，经过实验证明在插补准确度、统计一致性和计算速度等方面优于现有的 Bayesian Lasso 和矩阵补全等最新算法。

    May, 2023

  • HDMI：高阶深度多路混合信息最大化

    本研究提出了一种名为 High-order Deep Multiplex Infomax (HDMI) 的框架，用于在多重网络上进行自监督节点嵌入学习，通过利用高阶信息熵来获取外在与内在监督信号，结合注意力机制融合不同层的节点嵌入，取得了在无监督聚类和监督分类等领域的最新成果。

    Feb, 2021

  • 医疗时间序列的知识增强条件插补

    这项研究提出了一种新颖的方法来解决多元时间序列中缺失数据的挑战，特别关注医疗数据的复杂性。我们的条件自注意力填补模型（CSAI），基于变换器框架，引入了针对医学时间序列数据的条件隐藏状态初始化。此方法与传统填补技术不同之处在于专门针对医疗数据集中经常被忽视的缺失数据分布的不平衡进行调整。通过整合先进的知识嵌入和非均匀掩蔽策略，CSAI 能够灵活调整至电子病历中缺失数据的独特模式。

    Dec, 2023

  • 在线高秩矩阵补全

    本研究提出一种基于核技巧的高秩矩阵补全模型，结合批处理和在线方法来拟合模型和外推完整新数据，实验结果表明该方法在合成数据和动作捕捉数据的性能表现良好。

    Feb, 2020

  • 基于时间的迭代插补策略用于多变量纵向临床数据

    本文提出了一种简单的新方法，即基于时间依赖的迭代插补（TDI），用于填补临床数据中的缺失值，该方法针对多变量和纵向数据，并基于数据的临床模式（包括缺失率和测量频率）引入了患者、变量和观察特定的动态加权策略。对 MIMIC III 和 COVID-19 住院病例进行的测试表明，TDI 可提高风险预测的准确性。

    Apr, 2023

  • 对抗训练图形卷积网络实现缺失数据插值

    本论文提出了一种更通用的缺失数据填充 (MDI) 框架，使用图神经网络 (GNNs) 建立自编码器与边表征向量，通过多个损失函数提升性能。本方法在大规模实验中表现优于现有 MDI 方法，在大量缺失值时尤为明显。

    May, 2019

  • 使用工具进行异质性处理效果的机器学习估计

    本研究使用有效的工具变量来考虑具有任意机器学习方法的异质性处理效应估计，并减少了问题到最小化一个适当的损失函数（依赖于一组辅助模型，每个模型对应一个独立的预测任务）的规模。

    May, 2019

  • 利用非规则多模态电子病历建模改进医疗预测

    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