Réseaux d'Interpolation-Prédiction pour des Séries Temporelles Échantillonnées de Façon Irrégulière

Dans cet article, nous présentons une nouvelle architecture d'apprentissage profond pour résoudre le problème de l'apprentissage supervisé avec des séries temporelles multivariées échantillonnées de manière éparses et irrégulière. Cette architecture repose sur l'utilisation d'un réseau d'interpolation semi-paramétrique suivi de l'application d'un réseau de prédiction. Le réseau d'interpolation permet un partage d'informations entre les différentes dimensions d'une série temporelle multivariée lors de la phase d'interpolation, tandis qu'un modèle d'apprentissage profond standard peut être utilisé pour le réseau de prédiction. Ce travail est motivé par l'analyse des données de séries temporelles physiologiques dans les dossiers médicaux électroniques, qui sont éparse, irrégulièrement échantillonnées et multivariées. Nous examinons les performances de cette architecture sur des tâches de classification et de régression, montrant que notre approche surpasses une gamme de modèles baselines et récemment proposés.