Dissertação
Sparse Medical Time Series Modeling with Neural Differential Equations EVALUATED
Na área de aprendizagem de séries temporais, o problema de dados com medições irregulares é dificil de ultrapassar. Equações diferenciais ordinárias neuronais (Neural ODEs) provou ser uma abordagem fiável para aprender series temporais esparsas e com medições irregulares, tendo obtido vários resultados de estado da arte em interpolação de dados. A sua abilidade de modelar continuamente os dados no tempo permite obter previsões precisas em qualquer ponto do tempo na série temporal. Nesta tese, revemos os conceitos necessários para compreender Neural ODEs, desde calculadores de ODEs a várias arquitecturas de redes neuronais. Construímos Neural ODEs usando várias arquitecturas de redes neuronais populares, cujas capacidades são testados em múltiplas tarefas sobre dados esparsos médicos. O objectivo deste estudo é encontrar quais as condições em que a melhoria dos resultados obtidos pelas redes neuronais com Neural ODEs, relativamente às suas contrapartes clássicas, compensa o custo computacional que vem associado. As contribuições desta tese são, os testes adicionais a esta família de modelos, de forma a testar os seus pontos fortes e fracos, em várias tarefas, assim como testar uma nova maneira de extrapolar dados usado redes neuronais recorrentes com neural ODEs, não devolvendo previsões ao modelo e usando apenas a dinâmica da neural ODE.
dezembro 20, 2021, 14:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Alexandra Sofia Martins de Carvalho
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar