Robust Deep Hawkes Process under Label Noise of Both Event and Occurrence

要約

ディープ ニューラル ネットワークとホークス プロセスを統合することで、金融、医療情報学、情報技術における予測機能が大幅に向上しました。
それにもかかわらず、これらのモデルは、現実世界の設定では、特にラベル ノイズが大きいため、課題に直面することがよくあります。
この問題は医療分野では重大な懸念事項であり、電子医療記録の更新の遅れや誤診によってラベルノイズが発生し、予測リスクの増加につながる可能性があります。
私たちの研究では、ラベル ノイズを扱うとき、特にイベント タイプとタイミングの両方に影響を与えるとき、ディープ ホークス プロセス モデルの堅牢性が低下することが示されています。
これらの課題に対処するために、我々はまず近似強度関数におけるラベル ノイズの影響を調査し、ホークス モデルの強度関数に対するラベル ノイズの影響を克服するための新しいフレームワークであるロバスト ディープ ホークス プロセス (RDHP) を提示します。
出来事とその出来事。
私たちは、合成ノイズを使用した複数のオープンソース ベンチマークを使用して RDHP をテストし、固有のラベル ノイズを使用した現実世界の環境で閉塞性睡眠時無呼吸低呼吸症候群 (OSAHS) のケーススタディを実施しました。
この結果は、イベントとそのタイミングに関連するノイズが存在する場合でも、RDHP が分類タスクと回帰タスクを効果的に実行できることを示しています。
私たちの知る限り、これはディープホークスプロセスモデルにおけるイベントと時間のラベルノイズの両方にうまく対処した最初の研究であり、特にOSAHSの診断における医療用途に有望なソリューションを提供します。

要約(オリジナル)

Integrating deep neural networks with the Hawkes process has significantly improved predictive capabilities in finance, health informatics, and information technology. Nevertheless, these models often face challenges in real-world settings, particularly due to substantial label noise. This issue is of significant concern in the medical field, where label noise can arise from delayed updates in electronic medical records or misdiagnoses, leading to increased prediction risks. Our research indicates that deep Hawkes process models exhibit reduced robustness when dealing with label noise, particularly when it affects both event types and timing. To address these challenges, we first investigate the influence of label noise in approximated intensity functions and present a novel framework, the Robust Deep Hawkes Process (RDHP), to overcome the impact of label noise on the intensity function of Hawkes models, considering both the events and their occurrences. We tested RDHP using multiple open-source benchmarks with synthetic noise and conducted a case study on obstructive sleep apnea-hypopnea syndrome (OSAHS) in a real-world setting with inherent label noise. The results demonstrate that RDHP can effectively perform classification and regression tasks, even in the presence of noise related to events and their timing. To the best of our knowledge, this is the first study to successfully address both event and time label noise in deep Hawkes process models, offering a promising solution for medical applications, specifically in diagnosing OSAHS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google