SWoTTeD: An Extension of Tensor Decomposition to Temporal Phenotyping

要約

テンソル分解は、電子医療記録 (EHR) などの個々のトレースの分析のために機械学習コミュニティで最近注目を集めています。
ただし、データが複雑な時間的パターンに従っている場合、このタスクは非常に困難になります。
この論文では、時間の経過に伴う特徴の配置としての時間表現型の概念を導入し、隠れた時間パターンを発見する新しい方法である SWoTTeD (Sliding Window for Temporal Tensor Decomposition) を提案します。
SWoTTeD は、抽出された表現型の解釈可能性を高めるために、いくつかの制約と正則化を統合します。
私たちは合成データセットと現実世界のデータセットの両方を使用して提案を検証し、パリ大学病院からのデータを使用した独自のユースケースを紹介します。
結果は、SWoTTeD が最近の最先端のテンソル分解モデルと少なくとも同程度の正確な再構成を実現し、臨床医にとって意味のある時間表現型を抽出できることを示しています。

要約(オリジナル)

Tensor decomposition has recently been gaining attention in the machine learning community for the analysis of individual traces, such as Electronic Health Records (EHR). However, this task becomes significantly more difficult when the data follows complex temporal patterns. This paper introduces the notion of a temporal phenotype as an arrangement of features over time and it proposes SWoTTeD (Sliding Window for Temporal Tensor Decomposition), a novel method to discover hidden temporal patterns. SWoTTeD integrates several constraints and regularizations to enhance the interpretability of the extracted phenotypes. We validate our proposal using both synthetic and real-world datasets, and we present an original usecase using data from the Greater Paris University Hospital. The results show that SWoTTeD achieves at least as accurate reconstruction as recent state-of-the-art tensor decomposition models, and extracts temporal phenotypes that are meaningful for clinicians.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google