Curriculum-Aware Interpolate-then-Refine：现实缺失情形下的学习型生理时间序列插补

对生理时间序列（动脉血压、血糖等）进行插补，对于处理临床数据中普遍存在的缺失至关重要。然而，现代插补方法在这一领域表现不佳：近期一项基准测试发现，在具有现实缺口的真实世界临床信号上，简单线性插值优于所有学习型插补器。我们表明，这反映了通用插补器所忽视的生理缺失的两个特性：缺口可能出现在信号处于临床极端而非典型状态时，并且缺口长度很容易跨越多个数量级。为此，我们提出 Curriculum-Aware Interpolate-then-Refine (CAIR)，这是一个用于生理时间序列插补的两阶段框架。我们的核心动机是先学习一条粗略的基础曲线，然后反复将其校正得更符合生理现实，而不是一次性预测缺口。因此，CAIR 将一个 bidirectional-GRU 插值器与一个 Transformer 细化器相结合，后者在连续三次迭代中校正自身估计，并在一种广泛、与信号无关的随机缺口课程下进行联合训练。我们按缺口长度和缺失机制（MCAR、MAR、NMAR）对插补器进行分层评估，而不是使用单一平均值；在连续血糖监测（AI-READI）和重症监护动脉压（MIMIC-III）数据上，CAIR 在每种机制下都是最准确的。相较于最强基线，CAIR 的优势会随难度增加而扩大，从 MCAR 下的 9% 增至值依赖性脱落下的 19%，而通用学习型插补器在后者中最为薄弱。我们进一步表明，仅有低重建误差并不能恢复临床医生据以决策的负担指标：与 CAIR 误差相当的插值结果无法保留这些指标，能够恢复这些指标的插补器准确性要低得多，而只有 CAIR 在两个维度上都名列前茅。