研究人员探索了块扩散（BD）作为自回归（AR）模型在纵向电子健康记录（EHR）预测的替代方案。虽然AR模型在零样本预测方面表现出色，但它们难以处理时间上聚集的临床事件。在MIMIC-IV数据集上测试的BD模型显示了质量和效率之间的权衡，较小的块配置提供了更快的推理速度（B=8配置大约快1.43倍），同时保持了显著的预测性能。尽管BD的生成回滚通常低于AR模型，但其表示对于临床预测任务具有可比的信息量，表明BD是EHR建模的一种计算上吸引人的方法。 AI
影响 块扩散为EHR建模提供了一种计算上吸引人的替代方案，有可能提高临床预测任务的效率。
排序理由 该集群描述了一篇详细介绍EHR数据新建模方法的论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.29533v1 Announce Type: new Abstract: Autoregressive (AR) models have proved effective for zero-shot prediction from longitudinal electronic health records, but impose strictly sequential generation on trajectories containing temporally clustered and interdependent clin…
Autoregressive (AR) models have proved effective for zero-shot prediction from longitudinal electronic health records, but impose strictly sequential generation on trajectories containing temporally clustered and interdependent clinical events. We investigate block-based masked d…