【NeurIPS2024】轨迹流匹配及其在临床时间序列建模中的应用

文章预览

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 ………………………………