Many areas of research are characterised by the deluge of large-scale highly-dimensional time-series data. However, using the data available for prediction and decision making is hampered by the current lag in our ability to uncover and quantify true interactions that explain the outcomes.We are interested in areas such as intensive care medicine, which are characterised by i) continuous monitoring of multivariate variables and non-uniform sampling of data streams, ii) the outcomes are generally governed by interactions between a small set of rare events, iii) these interactions are not necessarily definable by specific values (or value ranges) of a given group of variables, but rather, by the deviations of these values from the normal state recorded over time, iv) the need to explain the predictions made by the model. Here, while numerous data mining models have been formulated for outcome prediction, they are unable to explain their predictions. We present a model for uncovering interactions with the highest likelihood of generating the outcomes seen from highly-dimensional time series data. Interactions among variables are represented by a relational graph structure, which relies on qualitative abstractions to overcome non-uniform sampling and to capture the semantics of the interactions corresponding to the changes and deviations from normality of variables of interest over time. Using the assumption that similar templates of small interactions are responsible for the outcomes (as prevalent in the medical domains), we reformulate the discovery task to retrieve the most-likely templates from the data.

中文翻译：

---

通过定性变化对时间序列数据中的罕见交互进行建模：应用于重症监护病房的结果预测

许多研究领域的特点是大规模高维时间序列数据的泛滥。然而，使用可用于预测和决策的数据受到我们目前在发现和量化解释结果的真实相互作用的能力方面的滞后的阻碍。我们对重症监护医学等领域感兴趣，其特点是 i) 持续监测多变量变量和数据流的非均匀采样，ii) 结果通常由一小组罕见事件之间的相互作用控制，iii) 这些相互作用不一定由给定组的特定值（或值范围）定义变量，而是通过这些值与正常状态随时间记录的偏差，iv) 需要解释模型所做的预测。这里，虽然已经为结果预测制定了许多数据挖掘模型，但它们无法解释它们的预测。我们提出了一个模型，用于揭示最有可能产生从高维时间序列数据中看到的结果的交互。变量之间的相互作用由关系图结构表示，该结构依赖定性抽象来克服非均匀采样并捕获与感兴趣的变量随时间变化和偏离正态性所对应的相互作用的语义。假设类似的小交互模板对结果负责（在医学领域很普遍），我们重新制定发现任务以从数据中检索最可能的模板。他们无法解释他们的预测。我们提出了一个模型，用于揭示最有可能产生从高维时间序列数据中看到的结果的交互。变量之间的相互作用由关系图结构表示，该结构依赖定性抽象来克服非均匀采样并捕获与感兴趣的变量随时间变化和偏离正态性所对应的相互作用的语义。假设类似的小交互模板对结果负责（在医学领域很普遍），我们重新制定发现任务以从数据中检索最可能的模板。他们无法解释他们的预测。我们提出了一个模型，用于揭示最有可能产生从高维时间序列数据中看到的结果的交互。变量之间的相互作用由关系图结构表示，该结构依赖定性抽象来克服非均匀采样并捕获与感兴趣的变量随时间变化和偏离正态性所对应的相互作用的语义。假设类似的小交互模板对结果负责（在医学领域很普遍），我们重新制定发现任务以从数据中检索最可能的模板。我们提出了一个模型，用于揭示最有可能产生从高维时间序列数据中看到的结果的交互。变量之间的相互作用由关系图结构表示，该结构依赖定性抽象来克服非均匀采样并捕获与感兴趣的变量随时间变化和偏离正态性所对应的相互作用的语义。假设类似的小交互模板对结果负责（在医学领域很普遍），我们重新制定发现任务以从数据中检索最可能的模板。我们提出了一个模型，用于揭示最有可能产生从高维时间序列数据中看到的结果的交互。变量之间的相互作用由关系图结构表示，该结构依赖定性抽象来克服非均匀采样并捕获与感兴趣的变量随时间变化和偏离正态性所对应的相互作用的语义。假设类似的小交互模板对结果负责（在医学领域很普遍），我们重新制定发现任务以从数据中检索最可能的模板。它依赖于定性抽象来克服非均匀采样并捕获与感兴趣的变量随时间变化和偏离正态性相对应的交互语义。假设类似的小交互模板对结果负责（在医学领域很普遍），我们重新制定发现任务以从数据中检索最可能的模板。它依赖于定性抽象来克服非均匀采样并捕获与感兴趣的变量随时间变化和偏离正态性相对应的交互语义。假设类似的小交互模板对结果负责（在医学领域很普遍），我们重新制定发现任务以从数据中检索最可能的模板。