(Inlämnad 24 mars 2020)

Sammanfattning: I applikationer med hög insatser såsom hälso- och finansanalys,
tolkbarhet för prediktiva modeller krävs och är nödvändig för domän
utövare att lita på förutsägelserna. Traditionella modeller för maskininlärning,
t.ex. logistisk regression (LR), är lätt att tolka i sin natur. Men många
av dessa modeller samlar tidsseriedata utan att ta hänsyn till den temporära
korrelationer och variationer. Därför kan deras resultat inte matcha upp till
återkommande neurala nätverk (RNN) baserade modeller, som inte desto mindre är svåra att
tolka. I det här dokumentet föreslår vi en allmän TRACER-ram för att underlätta
exakta och tolkbara förutsägelser, med en ny modell som TITV utvecklat för
hälso- och sjukvårdsanalyser och andra applikationer med höga insatser som ekonomiska
investeringar och riskhantering. Skiljer sig från LR och andra befintliga RNN-baserade
modeller, TITV är utformad för att fånga både tidsvarianter och
tidsvariansfunktionsvikt med ett funktionsmässigt transformationsundernätverk
och ett självuppmärksamhetsnätverk för funktionens inflytande delad över
hela tidsserier respektive tidsrelaterad betydelse. Sjukvård
analytics antas som ett körningsfall och vi noterar att det föreslagna
TRACER är också tillämplig på andra domäner, t.ex. fintech. Vi utvärderar
noggrannhet hos TRACER i två verkliga sjukhusdatasätt, och vår
läkare / kliniker validerar vidare tolkningsbarheten för TRACER i båda
patientnivå och funktionsnivå. Dessutom valideras TRACER också i en
ekonomisk applikation med hög insatser och en kritisk temperaturprognos
Ansökan. De experimentella resultaten bekräftar att TRACER underlättar båda
exakt och tolkbar analys för applikationer med höga insatser.