irregular data

DBGL: Decay-aware Bipartite Graph Learning for Irregular Medical Time Series Classification

DBGL introduce un novedoso método de Aprendizaje de Grafos Bipartitos con Conciencia de Decaimiento para la clasificación de series temporales médicas irregulares. Emplea un grafo bipartito paciente-variable para capturar patrones de muestreo irregulares y relaciones entre variables, junto con una codificación de decaimiento temporal específica de nodo para la irregularidad de decaimiento de las variables.