摘要

本文介绍了一种新颖的分类框架，用于使用深度学习进行时间序列插补，特别关注临床数据。通过识别文献和现有评论中的概念空白，我们设计了一种基于神经插补框架归纳偏差的分类法，从而根据其对特定插补场景和数据特性的适用性对现有深度插补策略进行了分类。我们的评论进一步检查了用于基准测试深度插补模型的现有方法论，评估了它们在捕捉临床数据中发现的缺失场景的有效性，并强调了将数学抽象与临床洞察力调和的重要性。我们的分类旨在作为研究人员选择适合其特定临床数据的深度学习插补技术的指南。我们的新颖视角还强调了弥合计算方法与医学洞察力之间差距的重要性，以实现临床上合理的插补模型。

原理

本文提出的分类框架基于神经插补模型的归纳偏差，这是一种模型对数据的偏好、先验或假设，指导其从训练数据到未见测试数据的泛化。归纳偏差可以采取多种形式，与学习表示的复杂性、底层数据分布或学习参数的偏好有关。我们的分类法基于以下原则：插补模型解释给定数据集复杂性和缺失模式的有效性依赖于数据集特性与模型归纳偏差之间的基本联系。现代深度插补模型是神经架构和框架的组合。网络的架构决定了神经网络本身的物理结构和设计，包括层的排列、使用的神经元类型以及这些神经元如何连接。另一方面，框架决定了如何使用和训练这种结构来执行插补任务。每个架构和框架都有自己的归纳偏差，塑造了模型处理缺失数据的方法，并影响了其在不同场景中的性能。

流程

本文的工作流程首先检查现有的插补架构，关注影响其泛化能力和有效性的归纳偏差，以解决各种类型的缺失、数据结构和任务复杂性。然后，我们区分架构和利用神经网络进行插补的概念或数学框架。在这里，归纳偏差决定了框架如何处理插补任务中的特定挑战，塑造了不同模型在不同场景中的有效性。最后，不同的框架在处理结果插补中的不确定性方面有所不同。在这里，模型的归纳偏差反映了用于将不确定性纳入其插补输出的方法，例如，不确定性是否可以通过概率手段直接建模或模型输出的可变性。

应用

本文的关键内容具有广泛的应用前景，特别是在处理复杂缺失模式和数据分布的医疗领域。通过提供一个将深度插补模型的特性与机制联系起来的路线图，我们的分类法可以帮助研究人员和临床医生选择和优化适合特定临床数据和任务的模型。此外，通过强调将临床洞察力与插补过程结合的重要性，我们的工作为开发更符合临床复杂性的模型提供了方向，从而推动了数据科学和临床实践的进一步融合。