🤖 machine learning

Physiome-ODE: A Benchmark for Irregularly Sampled Multivariate Time Series Forecasting Based on Biological ODEs

为应对当前评估基准中基于常微分方程的模型表现不佳的局限性，作者提出了 Physiome-ODE，这是一个源自真实世界生物常微分方程的大规模不规则采样多变量时间序列基准，能够实现对基于常微分方程的预测模型的有效区分并提升其性能。

原作者： Christian Klötergens, Vijaya Krishna Yalavarthi, Randolf Scholz, Maximilian Stubbemann, Stefan Born, Lars Schmidt-Thieme

发布于 2026-05-25

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Christian Klötergens, Vijaya Krishna Yalavarthi, Randolf Scholz, Maximilian Stubbemann, Stefan Born, Lars Schmidt-Thieme

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试教一个机器人预测复杂系统的未来，比如天气或患者的心率。机器人需要从杂乱的数据中学习：测量数据在随机时间到达，某些传感器停止工作，且数据存在缺失。

在过去几年里，研究人员一直在一个非常小且有限的四个数据集上测试他们最先进的“时间旅行”机器人（高级 AI 模型）。论文指出，这就像只在平坦、空旷的停车场上测试一级方程式赛车。结果发现，在这个微小的停车场上，一个仅仅猜测“未来将与现在完全一样”（恒定猜测）的机器人，往往能胜过那些花哨、复杂的机器人。这令人困惑，因为这些花哨的机器人本应是专门为处理复杂、变化的系统而构建的。

以下是作者如何解决这一问题的故事，简单解释如下：

1. 问题：“玩具”测试

目前测试这些 AI 模型的标准，就像是用 handful 玩具车来评判整个赛车联盟。作者发现，在现有的四个数据集上，最简单的策略（预测一条水平线）往往与基于**常微分方程（ODE）**的最复杂模型一样好，甚至更好。

类比：想象你要测试一位厨师烹饪复杂多道菜的能力。但你给他们的唯一测试是煮一碗普通的燕麦粥。如果厨师试图用高级的低温慢煮机来煮燕麦粥，一把简单的勺子可能反而做得更好，因为任务太简单，无法展示机器的技能。现有的数据集太“容易”或太“无聊”，无法展示复杂模型真正能做什么。

2. 解决方案：建造“生物健身房”

为了解决这个问题，作者建立了一个名为Physiome-ODE的全新、庞大的测试场地。

他们没有使用难以获取且往往不完整的杂乱真实世界数据，而是转向了Physiome 模型库。这是一个由生物学家在数十年间创建的数学模型库，用于描述生命体的运作方式（例如心脏如何跳动或细胞如何通信）。

隐喻：将旧数据集想象为几张静态照片。新的基准则是一个拥有 50 种不同、高度复杂“健身器材”（模拟）的健身房。
制作方法：他们将这些生物方程像电子游戏一样运行。他们告诉计算机：“运行这个模拟，但只在随机时间向我展示结果，并假装某些传感器已损坏。”这创造了一个完美的受控环境，其中“真实值”（实际答案）是已知的，因为是由计算机生成的。

3. 新标尺：衡量“难度”

作者意识到，他们需要一种方法来了解哪些模拟实际上更难。他们发明了一个名为**联合梯度偏差（JGD）**的分数。

类比：想象你要预测一个球的运动轨迹。
- 如果球沿直线滚动，很容易预测。
- 如果球在墙壁间疯狂反弹、旋转并改变速度，则很难预测。
- JGD就像一个“混乱度计”。它测量数据的速度和方向变化的剧烈程度。作者利用这个指标挑选了 50 个最“混乱”且最有趣的模拟，用于他们的基准测试。

4. 结果：比赛开始

当他们在新的“生物健身房”上运行旧的 AI 模型时，结果完全改变了：

恒定基线落败：那个仅仅猜测“什么都不变”的简单机器人再也无法获胜。它在困难的数据集上惨败。
ODE 模型大放异彩：那些专为理解微分方程而构建的复杂模型（如LinODEnet和CRU）终于展现了它们的实力。它们比简单的基线更能处理杂乱、不规则的数据以及复杂的生物动力学。
没有单一赢家：就像在真正的体育比赛中一样，没有一个模型能在所有数据集上都是“最佳”的。有些模型在预测心脏节律方面表现出色，而另一些则在细胞生长方面更胜一筹。这种多样性正是研究人员了解针对哪项工作应使用何种工具所需的信息。

5. 为什么这很重要

论文总结道，长期以来，该领域之所以停滞不前，是因为测试过于简单。通过引入Physiome-ODE，他们为这些 AI 模型提供了一个“困难模式”。

核心要点：你不能通过看一位大师级厨师烤吐司的能力来评判他。你需要给他们一场复杂的宴会。这个新基准就是那场宴会。它迫使研究人员构建能够真正处理生物和科学数据中杂乱、不规则和复杂现实的模型，而不仅仅是擅长猜测水平线的模型。

简而言之：作者基于真实的生物数学，为 AI“时间旅行”机器人建造了一个全新、更困难且更逼真的游乐场，以证明那些花哨的机器人确实可行——它们只是需要一个更好的测试来展示这一点。

技术摘要：PHYSIOME-ODE

问题陈述

当前关于带有缺失值的不规则采样多变量时间序列（IMTS）预测的研究，严重缺乏多样且具有挑战性的基准测试。该领域主要依赖一小部分四个数据集（USHCN、PhysioNet-2012、MIMIC-III、MIMIC-IV）以及少数示例。作者指出了当前评估格局中的一个关键缺陷：在这些现有数据集上，一个预测与时间无关的恒定值的简单基线模型，往往能胜过或与基于复杂常微分方程（ODE）的神经网络模型相媲美。这一反直觉的发现表明，现有数据集可能不适合评估基于 ODE 模型的真实能力，从而阻碍了研究进展。此外，现有数据集往往缺乏必要的协变量（例如，预测血糖时缺乏食物摄入量数据），使得无论模型复杂度如何，预测任务本质上都无法完成。

方法论

为了解决这些局限性，作者提出了Physiome-ODE，这是一个通过系统方法生成的新基准：

基于生物 ODE 的数据生成：
- 作者利用了包含 208 个源自生物研究的多变量 ODE 模型的 Physiome 模型库（PMR）。
- 他们将这些 ODE 系统视为生成模型。一个带有常数 $a$ 和初始值 $x_0$ 的 ODE 系统 $F$ 定义了一个连续函数 $x(t)$ 。
- 为了创建 IMTS 实例，他们应用采样过程 $s$ 来生成不规则的观测时间和通道，并应用噪声模型 $p_{NOISE}$ 引入观测噪声。
- 至关重要的是，为了确保多样性和难度，他们不使用固定的 ODE 实例。相反，他们通过从以文献值为中心但由扩散参数（ $\sigma$ ）控制的分布中进行采样，来改变初始条件（ $x_0$ ）、ODE 常数（ $a$ ）和总时长（ $T$ ）。
难度指标：联合梯度偏差（JGD）：
- 为了选择最具挑战性的数据集，作者引入了一种称为联合梯度偏差（JGD）的指标。
- JGD 结合了两种度量：
  - 平均梯度偏差（MGD）： 衡量单个函数内部梯度的异质性（围绕其均值的梯度的时间归一化 $L_2$ 范数）。
  - 平均逐点梯度偏差（MPGD）： 衡量分布中不同函数之间梯度的异质性（集合中每个时间点梯度的标准差）。
- $JGD(p) = MPGD(p) \cdot E_{x \sim p}[MGD(x)]$ 。
- 作者证明了 MGD 和 MPGD 可以使用有限样本和有限差分来近似（引理 1 和引理 2）。
- 他们优化每个 ODE 模型的扩散参数（ $\sigma_{initial}, \sigma_{const}, \sigma_{dur}$ ）以最大化 JGD，从而选择最困难的预测场景。
基准构建：
- 从 PMR 中的 208 个模型中，选出了优化后 JGD 得分最高的前 50 个模型。
- 对于每个选定的模型，生成了 2,000 个时间序列实例。
- 实例的生成方式是：随机采样一个起始时间，选择随后的 100 个步骤，然后随机丢弃 80% 的观测值以模拟不规则采样。
- 剔除极端值（由不稳定的 ODE 状态引起的异常值），以确保训练稳定性。

主要贡献

Physiome-ODE 基准： 创建了首个大规模、多样化的 IMTS 预测基准，由源自现实世界生物 ODE 的 50 个不同数据集组成。其规模比当前的评估设置大一个数量级。
基线分析： 引入了“恒定预测”基线（GraFITi-C），该基线表明，在现有数据集上，当前的最先进模型往往无法胜过简单的启发式方法，突显了需要更好的评估协议。
JGD 指标： 提出了联合梯度偏差作为一种简单有效的分数，用于近似时间序列预测任务的难度，从而允许选择具有挑战性的 ODE 实例。
综合评估： 在新基准上对五种最先进的 IMTS 模型（GRU-ODE-Bayes、LinODEnet、CRU、Neural Flows、GraFITi）以及恒定基线进行了严格评估。

实验结果

作者在 50 个 Physiome-ODE 数据集上使用均方误差（MSE）评估了模型，并采用了 5 折交叉验证协议（预测序列的最后 50%）。

模型性能： 与以往评估中简单基线占主导地位的情况不同，Physiome-ODE 上的结果显示，基于 ODE 的模型能够发挥其优势。LinODEnet 成为整体表现最佳的模型，赢得了最多的数据集并取得了最高的平均排名。CRU 和 GraFITi 也表现具有竞争力。
基线比较： 虽然复杂模型在许多数据集上优于恒定基线，但该基准包含了一些困难实例（例如 DUP01、DOK01），在这些实例中，即使是最佳模型也无法显著优于恒定基线。这证实了该基准能够涵盖广泛的难度范围。
相关性： JGD 得分与最佳可达 MSE 之间存在强正相关（Spearman 系数为 0.77），验证了 JGD 作为任务难度预测指标的有效性。
通道依赖性： 在这些数据集的规则采样版本的补充实验中，作者发现多变量模型（捕捉通道依赖性）显著优于单变量模型，这与传统基准上的发现形成对比，在传统基准中忽略通道相关性有时是有益的。

意义与主张

本文主张，Physiome-ODE 代表了标准化 IMTS 预测研究的重要一步。通过从有偏见的小规模数据集转向基于生物物理的大规模半合成基准，作者期望：

在竞争性的预测模型之间提供更有意义的区分。
识别当前架构的特定缺陷，特别是在高难度数据集上。
通过证明基于 ODE 的方法在适当且具有挑战性的数据评估中确实能够表现出色，为不规则时间序列建模研究注入“新的动力”。

作者强调，虽然数据是由 ODE 生成的（使其成为“半合成”的），但底层系统基于数十年来已发表的研究，确保了与现实世界现象的联系。他们承认，没有单一模型能在所有数据集上普遍最佳，这重申了需要多样化的基准，而不是单一的“赢家通吃”评估。