TSPFN：用于生理时间序列分类的时间表格基础模型

设计在中低数据范围内有效推广的模型仍然是医学机器学习中的主要挑战，特别是对于生理时间序列分类。虽然 TabPFN 等表格基础模型通过上下文学习为传统 微调 提供了有吸引力的替代方案，但它们的设计目的并不是捕获生理信号固有的时间依赖性。 ~在本文中，我们介绍了 TSPFN，这是一个重新设计 TabPFN 时间序列数据架构的基础模型。 TSPFN 集成了结构化时间表示和位置嵌入来捕获样本内时间和通道依赖性。为了充分利用其时空设计，该模型针对多个医学领域的 140,000 个真实生理时间序列进行了预训练。这产生了一个统一的、可概括的框架，能够学习医学时间序列的特殊性。跨不同生理基准的实验表明，TSPFN 始终优于标准表格基线和 TabPFN，并且与专门的深度时间序列模型相比，实现了卓越的跨域泛化。我们所有的实验、消融研究和预处理方案均可在 https://github.com/Jeremstym/TSPFN 上公开获取