【NeurIPS2024】轨迹流匹配及其在临床时间序列建模中的应用

数据派THU · 公众号 · 大数据 · 2024-11-10 17:00

正文

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。