运行结果

[mmuzzii]

您好，想请问一下直接运行您的代码的结果在mimic3上好像比论文里差了不少，请问这有可能是什么原因呢。

epoch 22 --------------------------

DDI Rate: 0.07488, Jaccard: 0.527, PRAUC: 0.7791, AVG_PRC: 0.6702, AVG_RECALL: 0.7221, AVG_F1: 0.6823, AVG_MED: 21.78 training time: 60.72959494590759, test time: 10.172691106796265 best_epoch: 22

[kybinn]

首先，我们的测试严格在测试集上进行，验证集用于选择最佳超参数。 这里给出我的以下疑问：

1. 是否在模型复现和超参设置上有问题？
2. 你的训练时间似乎比我的要短不少，我自己在4090GPU要90秒左右
3. 在重点对比方法 COGNet，SHAPE的复现上是否出现类似问题？

我的建议：

1. 多复现几个方法，已知的SafeDrug，COGNet，SHAPE都值得复现，但是可能比较耗时。
2. 各方法训练的方法详见链接的第三种。保证各方法一致，且严格保证测试集不用于训练。 https://www.cnblogs.com/HuZihu/p/10538295.html

[kybinn]

此外，本文最值得再利用的是 visit-level 数据集分割，然后基于这个分割方法进行模型新设计。已经验证该方法用我们新模型上也可以解决冷启动问题。