Buchumschlag

Mind the Missing: Variable-Aware Representation Learning for Irregular EHR Time Series using Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kwon, Jeong Eul, Yoon, Joo Heung, Lee, Hyo Kyung
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PULSE-ICU: A Pretrained Unified Long-Sequence Encoder for Multi-task Prediction in Intensive Care Units
von: Jang, Sejeong, et al.
Veröffentlicht: (2025)

Permutation-Equivariant 2D State Space Models: Theory and Canonical Architecture for Multivariate Time Series
von: Jeong, Seungwoo, et al.
Veröffentlicht: (2026)

A Statistical Approach for Modeling Irregular Multivariate Time Series with Missing Observations
von: Nie, Dingyi, et al.
Veröffentlicht: (2026)

Modeling Irregular Astronomical Time Series with Neural Stochastic Delay Differential Equations
von: Oh, YongKyung, et al.
Veröffentlicht: (2025)

Rethinking Large Language Models For Irregular Time Series Classification In Critical Care
von: Zheng, Feixiang, et al.
Veröffentlicht: (2026)

MILM: Large Language Models for Multimodal Irregular Time Series with Informative Sampling
von: Chung, Hsing-Huan, et al.
Veröffentlicht: (2026)

TrajGPT: Irregular Time-Series Representation Learning for Health Trajectory Analysis
von: Song, Ziyang, et al.
Veröffentlicht: (2024)

Learning Recursive Multi-Scale Representations for Irregular Multivariate Time Series Forecasting
von: Li, Boyuan, et al.
Veröffentlicht: (2026)

Frictional Q-Learning
von: Kim, Hyunwoo, et al.
Veröffentlicht: (2025)

SDE-Attention: Latent Attention in SDE-RNNs for Irregularly Sampled Time Series with Missing Data
von: Fang, Yuting, et al.
Veröffentlicht: (2025)

Beyond Observations: Reconstruction Error-Guided Irregularly Sampled Time Series Representation Learning
von: Liu, Jiexi, et al.
Veröffentlicht: (2025)

CASA: CNN Autoencoder-based Score Attention for Efficient Multivariate Long-term Time-series Forecasting
von: Lee, Minhyuk, et al.
Veröffentlicht: (2025)

Stable Neural Stochastic Differential Equations in Analyzing Irregular Time Series Data
von: Oh, YongKyung, et al.
Veröffentlicht: (2024)

FedEHR-Gen: Federated Synthetic Time-Series EHR Generation via Latent Space Alignment and Distribution-Aware Aggregation
von: Bai, Jun, et al.
Veröffentlicht: (2026)

Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series
von: Park, Byoungwoo, et al.
Veröffentlicht: (2024)

FlowPath: Learning Data-Driven Manifolds with Invertible Flows for Robust Irregularly-sampled Time Series Classification
von: Oh, YongKyung, et al.
Veröffentlicht: (2025)

Learning Representations from Incomplete EHR Data with Dual-Masked Autoencoding
von: Xiang, Xiao, et al.
Veröffentlicht: (2026)

DualDynamics: Synergizing Implicit and Explicit Methods for Robust Irregular Time Series Analysis
von: Oh, YongKyung, et al.
Veröffentlicht: (2024)

MEASURE: Multi-scale Minimal Sufficient Representation Learning for Domain Generalization in Sleep Staging
von: Jo, Sangmin, et al.
Veröffentlicht: (2025)

IBN: An Interpretable Bidirectional-Modeling Network for Multivariate Time Series Forecasting with Variable Missing
von: Ma, Shusen, et al.
Veröffentlicht: (2025)

Continuous-Time Linear Positional Embedding for Irregular Time Series Forecasting
von: Kim, Byunghyun, et al.
Veröffentlicht: (2024)

An Adversarial Learning Approach to Irregular Time-Series Forecasting
von: Nam, Heejeong, et al.
Veröffentlicht: (2024)

Probabilistic Learning of Multivariate Time Series with Temporal Irregularity
von: Li, Yijun, et al.
Veröffentlicht: (2023)

PRISM: Mitigating EHR Data Sparsity via Learning from Missing Feature Calibrated Prototype Patient Representations
von: Zhu, Yinghao, et al.
Veröffentlicht: (2023)

Unleashing The Power of Pre-Trained Language Models for Irregularly Sampled Time Series
von: Zhang, Weijia, et al.
Veröffentlicht: (2024)

Still Competitive: Revisiting Recurrent Models for Irregular Time Series Prediction
von: Joshi, Ankitkumar, et al.
Veröffentlicht: (2025)

PhysioME: A Robust Multimodal Self-Supervised Framework for Physiological Signals with Missing Modalities
von: Lee, Cheol-Hui, et al.
Veröffentlicht: (2025)

Semi-supervised Clustering Through Representation Learning of Large-scale EHR Data
von: Wang, Linshanshan, et al.
Veröffentlicht: (2025)

ContiFormer: Continuous-Time Transformer for Irregular Time Series Modeling
von: Chen, Yuqi, et al.
Veröffentlicht: (2024)

An Efficient Contrastive Unimodal Pretraining Method for EHR Time Series Data
von: King, Ryan, et al.
Veröffentlicht: (2024)

Probabilistic Circuits for Irregular Multivariate Time Series Forecasting
von: Klötergens, Christian, et al.
Veröffentlicht: (2026)

Temporal Graph ODEs for Irregularly-Sampled Time Series
von: Gravina, Alessio, et al.
Veröffentlicht: (2024)

Valid and Expressive Copulas for Irregular Multivariate Time Series
von: Klötergens, Christian, et al.
Veröffentlicht: (2026)

Tripletformer for Probabilistic Interpolation of Irregularly sampled Time Series
von: Yalavarthi, Vijaya Krishna, et al.
Veröffentlicht: (2022)

GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing
von: Yu, Chengqing, et al.
Veröffentlicht: (2024)

Uncertainty-Aware Cross-Modal Knowledge Distillation with Prototype Learning for Multimodal Brain-Computer Interfaces
von: Jang, Hyo-Jeong, et al.
Veröffentlicht: (2025)

IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers
von: Xiao, Jingge, et al.
Veröffentlicht: (2023)

Generating Multi-Table Time Series EHR from Latent Space with Minimal Preprocessing
von: Cho, Eunbyeol, et al.
Veröffentlicht: (2025)

SurF: A Generative Model for Multivariate Irregular Time Series Forecasting
von: Rezaei, Mohammad R., et al.
Veröffentlicht: (2026)

Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs
von: Naiman, Ilan, et al.
Veröffentlicht: (2023)