DBGL: 시간 경과에 따른 변화를 고려한 양방향 그래프 학습을 통한 불규칙 의료 시계열 분류

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

불규칙 의료 시계열 데이터는 환자의 상태를 더 잘 이해하는 데 중요한 역할을 합니다. 그러나 이질적인 샘플링 속도, 비동기적인 관찰, 그리고 다양한 간격으로 인해 발생하는 고유한 불규칙성은 신뢰성 있는 모델링에 핵심적인 과제를 제시합니다. 기존 방법들은 종종 시간 샘플링의 불규칙성과 결측 패턴을 왜곡하고, 동시에 시간 경과에 따른 변화(decay)를 제대로 반영하지 못하여 최적의 표현을 얻지 못합니다. 이러한 한계점을 극복하기 위해, 우리는 불규칙 의료 시계열 데이터를 위한 시간 경과를 고려한 양방향 그래프 학습 방법인 DBGL을 제안합니다. DBGL은 먼저 환자와 변수 간의 양방향 그래프를 도입하여 인위적인 정렬 없이 불규칙한 샘플링 패턴을 동시에 포착하고, 시간 샘플링 불규칙성을 모델링하기 위해 변수 간의 관계를 적응적으로 모델링하여 표현 학습을 향상시킵니다. 또한, DBGL은 변수별 시간 경과에 따른 변화를 모델링하기 위해, 각 변수의 샘플링 간격에 따른 변화율을 포착하는 새로운 노드별 시간 경과 인코딩 메커니즘을 설계하여 불규칙한 시간 동역학을 보다 정확하고 충실하게 표현합니다. 우리는 DBGL을 네 가지 공개 데이터셋에서 평가하였으며, 그 결과 DBGL이 모든 기준 모델보다 우수한 성능을 보였습니다.

Irregular Medical Time Series play a critical role in the clinical domain to better understand the patient's condition. However, inherent irregularity arising from heterogeneous sampling rates, asynchronous observations, and variable gaps poses key challenges for reliable modeling. Existing methods often distort temporal sampling irregularity and missingness patterns while failing to capture variable decay irregularity, resulting in suboptimal representations. To address these limitations, we introduce DBGL, Decay-Aware Bipartite Graph Learning for Irregular Medical Time Series. DBGL first introduces a patient-variable bipartite graph that simultaneously captures irregular sampling patterns without artificial alignment and adaptively models variable relationships for temporal sampling irregularity modeling, enhancing representation learning. To model variable decay irregularity, DBGL designs a novel node-specific temporal decay encoding mechanism that captures each variable's decay rates based on sampling interval, yielding a more accurate and faithful representation of irregular temporal dynamics. We evaluate the performance of DBGL on four publicly available datasets, and the results show that DBGL outperforms all baselines.