【NeurIPS2024】轨迹流匹配及其在临床时间序列建模中的应用

学术   2024-11-10 17:01   北京  
来源:专知

本文约1000字,建议阅读5分钟

我们提出了轨迹流匹配(Trajectory Flow Matching, TFM),它无需模拟即可训练神经SDE,避免了通过动态进行反向传播。


对随机且不规则采样的时间序列进行建模是一个具有挑战性的问题,广泛存在于各类应用中,尤其是在医学领域。神经随机微分方程(Neural SDEs)是该问题的一种有吸引力的建模技术,它通过神经网络对SDE的漂移项和扩散项进行参数化。然而,当前训练神经SDEs的算法需要通过SDE动态进行反向传播,这大大限制了其可扩展性和稳定性。为了解决这一问题,我们提出了轨迹流匹配(Trajectory Flow Matching, TFM),它无需模拟即可训练神经SDE,避免了通过动态进行反向传播。TFM借鉴了生成模型中的流匹配技术来建模时间序列。在本研究中,我们首先建立了TFM学习时间序列数据的必要条件。接着,我们提出了一种重新参数化技巧,以提高训练的稳定性。最后,我们将TFM应用于临床时间序列场景,展示了在三个临床时间序列数据集上的性能改进,不仅在绝对性能方面有提升,同时在不确定性预测方面(这一参数在该领域尤为重要)也表现出色。



关于我们

数据派THU作为数据科学类公众号,背靠清华大学大数据研究中心,分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识,努力建设数据人才聚集平台、打造中国大数据最强集团军。




新浪微博:@数据派THU

微信视频号:数据派THU

今日头条:数据派THU


数据派THU
清华大数据研究中心官方平台,发布团队科研、教学等最新动态及大数据领域的相关信息~
 最新文章