Die Studie führt einen zeitlichen Punktprozess-Ansatz ein, um Ereignisse von Interesse zu modellieren. Es wird ein Erwartungs-Maximierungs-Algorithmus verwendet, um einen Satz latenter Regeln zu entdecken, die das Auftreten von Ereignissen erklären können.
Im E-Schritt wird die Wahrscheinlichkeit berechnet, dass jedes Ereignis durch jede entdeckte Regel erklärt wird. Im M-Schritt werden sowohl der Regelsatz als auch die Modellparameter aktualisiert, um die untere Schranke der Likelihood-Funktion zu verbessern.
Der Regelsatz wird auf differenzierbare Weise optimiert, indem die Wahrscheinlichkeit der Auswahl logischer Variablen direkt modelliert wird. Dies ermöglicht ein effizientes und stabiles Training des Gesamtmodells.
Die Leistungsfähigkeit des Ansatzes wird anhand von synthetischen und realen Gesundheitsdaten demonstriert. Das Modell zeigt eine hohe Genauigkeit bei der Entdeckung von Regeln und der Identifizierung von Ursachen.
На другой язык
из исходного контента
arxiv.org
Дополнительные вопросы