Une extension de la décomposition tensorielle au phénotypage temporel

Abstract

La décomposition tensorielle a récemment fait l’objet d’une attention croissante dans la communauté de l’apprentissage automatique en raison de sa polyvalence dans le traitement des données à grande échelle. Cependant, cette tâche devient plus difficile lorsqu’il s’agit de prendre en comte la dimension temporelle. Dans cet article, nous étendons la décomposition tensorielle à l’extraction de phénotypes temporels, décrits comme une combinaison de caractéristiques sur une fenêtre de temps. Nous proposons un nouveau modèle de décomposition intégrant plusieurs régularisations pour améliorer l’interprétabilité des phénotypes extraits. Nous validons ce dernier sur des données synthétiques et réelles provenant de l’Assistance Publique – Hôpitaux de Paris (AP-HP). Les résultats montrent qu’il est plus performant que les modèles les plus récents de décomposition et qu’il découvre des phénotypes intéressants pour les cliniciens.

Publication
In 2023-23ème Conférence Francophone sur l’Extraction et Gestion des Connaissances (20% of acceptance rate). Nominated for the Best Article Award
Hana Sebia
Hana Sebia
PhD Candidate in Machine Learning

My research interests include healthcare data analytics, deep learning, tensor factorization and predictive analysis.