Краткое содержание

arXiv:2511.08260v1 Тип объявления: новый Аннотация: Клинические временные ряды данных критически важны для мониторинга пациентов и прогнозирующего моделирования. Такие временные ряды обычно являются многомерными и часто включают сотни разнородных признаков из различных источников данных. Было показано, что группировка признаков на основе сходства и релевантности задаче прогнозирования повышает производительность архитектур глубокого обучения. Однако определение этих групп заранее исключительно на основе семантического знания является сложной задачей даже для экспертов предметной области. Для решения этой проблемы мы предлагаем новый метод, который автоматически формирует группы признаков путем кластеризации весов слоев встраивания признаков. Этот подход легко интегрируется в стандартную процедуру контролируемого обучения и выявляет такие группы признаков, которые непосредственно улучшают конечную эффективность выполнения клинически значимых задач. Мы демонстрируем, что наш метод превосходит статические подходы к кластеризации на синтетических данных и достигает производительности сопоставимой с группами, определёнными экспертами, на реальных медицинских данных.