論文の概要: Evaluation of the Synthetic Electronic Health Records
- arxiv url: http://arxiv.org/abs/2210.08655v1
- Date: Sun, 16 Oct 2022 22:46:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 16:46:30.579057
- Title: Evaluation of the Synthetic Electronic Health Records
- Title（参考訳）: 合成電子健康記録の評価
- Authors: Emily Muller, Xu Zheng, Jer Hayes
- Abstract要約: 本研究は、合成データセットのサンプルワイズ評価のための類似性と特異性という2つの指標を概説する。
本研究は,Cystic Fibrosis (CF) 患者の電子的健康記録を合成するために,いくつかの最先端の遺伝子モデルを用いて提案された概念を実証する。
- 参考スコア（独自算出の注目度）: 3.255030588361125
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models have been found effective for data synthesis due to their
ability to capture complex underlying data distributions. The quality of
generated data from these models is commonly evaluated by visual inspection for
image datasets or downstream analytical tasks for tabular datasets. These
evaluation methods neither measure the implicit data distribution nor consider
the data privacy issues, and it remains an open question of how to compare and
rank different generative models. Medical data can be sensitive, so it is of
great importance to draw privacy concerns of patients while maintaining the
data utility of the synthetic dataset. Beyond the utility evaluation, this work
outlines two metrics called Similarity and Uniqueness for sample-wise
assessment of synthetic datasets. We demonstrate the proposed notions with
several state-of-the-art generative models to synthesise Cystic Fibrosis (CF)
patients' electronic health records (EHRs), observing that the proposed metrics
are suitable for synthetic data evaluation and generative model comparison.
- Abstract（参考訳）: 生成モデルは、複雑な基盤となるデータ分布をキャプチャできるため、データ合成に有効であることが判明している。
これらのモデルから生成されたデータの品質は、画像データセットの視覚検査や、グラフデータセットの下流分析タスクによって評価される。
これらの評価方法は暗黙のデータ分布を測定したり、データプライバシの問題を考慮していない。
医療データはセンシティブなデータであるため、合成データセットのデータユーティリティを維持しながら、患者のプライバシー上の懸念を引き出すことが非常に重要である。
実用性評価の他に、合成データセットのサンプルワイド評価のための類似性と特異性という2つの指標を概説する。
嚢胞性線維症(cf)患者の電子健康記録(ehrs)を合成するための最先端生成モデルを用いて提案手法を実証し,提案手法が合成データ評価と生成モデルの比較に適していることを示す。
関連論文リスト
- Unveiling the Flaws: Exploring Imperfections in Synthetic Data and Mitigation Strategies for Large Language Models [89.88010750772413]
大規模言語モデル(LLM)の学習における高品質なデータ不足問題に対する解決法として,合成データを提案する。
我々の研究は、Q-A(Q-A)ペア、一般的な合成データに関連するこれらの特定の欠陥を掘り下げ、これらの欠陥を軽減するための未学習技術に基づく方法を提案する。
我々の研究は、より堅牢で効率的なLLMトレーニングを促進することを目的として、合成データの効果的な利用に関する重要な洞察を得た。
論文 参考訳（メタデータ） (2024-06-18T08:38:59Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳（メタデータ） (2023-10-25T20:32:02Z) - Let's Synthesize Step by Step: Iterative Dataset Synthesis with Large
Language Models by Extrapolating Errors from Small Models [69.76066070227452]
※データ合成*はラベル付きデータの少ない小さなモデルをトレーニングするための有望な方法です。
本稿では,この分散ギャップを縮めるデータ合成フレームワークであるStep* (**S3**) による合成ステップを提案する。
提案手法は,合成データセットと実データとのギャップを小さくすることで,小型モデルの性能を向上させる。
論文 参考訳（メタデータ） (2023-10-20T17:14:25Z) - Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。
本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文 参考訳（メタデータ） (2023-05-16T07:30:29Z) - Synthetic data generation for a longitudinal cohort study -- Evaluation,
method extension and reproduction of published data analysis results [0.32593385688760446]
医療分野では、プライバシー上の懸念から個人レベルのデータへのアクセスは困難であることが多い。
有望な代替手段は、完全な合成データの生成である。
本研究では,最先端の合成データ生成手法を用いる。
論文 参考訳（メタデータ） (2023-05-12T13:13:55Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Synthesizing Mixed-type Electronic Health Records using Diffusion Models [10.973115905786129]
合成データ生成は、機密性の高い患者情報を共有する際のプライバシー上の懸念を軽減するための有望なソリューションである。
近年の研究では、拡散モデルは、より現実的な合成データの生成や、画像、テキスト、音声などのデータモダリティの生成における安定したトレーニングなど、GANに対していくつかの利点があることが示された。
実験の結果,TabDDPMは,プライバシーとユーティリティのトレードオフを確認するプライバシー以外のすべての評価指標において,最先端モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-02-28T15:42:30Z) - An Analysis of the Deployment of Models Trained on Private Tabular
Synthetic Data: Unexpected Surprises [4.129847064263057]
異なるプライベート(DP)合成データセットは、機械学習モデルをトレーニングするための強力なアプローチである。
差分プライベートな合成データ生成が分類に与える影響について検討する。
論文 参考訳（メタデータ） (2021-06-15T21:00:57Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Holdout-Based Fidelity and Privacy Assessment of Mixed-Type Synthetic
Data [0.0]
aiベースのデータ合成はここ数年で急速に進歩しており、プライバシを尊重するデータ共有を可能にするという約束がますます認識されている。
我々は,合成データソリューションの信頼性とプライバシリスクを定量化するための,ホールドアウトに基づく実証的評価フレームワークを紹介し,実証する。
論文 参考訳（メタデータ） (2021-04-01T17:30:23Z) - Measuring Utility and Privacy of Synthetic Genomic Data [3.635321290763711]
人工ゲノムデータを生成するための5つの最先端モデルの実用性とプライバシ保護を最初に評価する。
全体として、ボード全体でうまく機能する合成ゲノムデータを生成するための単一のアプローチは存在しない。
論文 参考訳（メタデータ） (2021-02-05T17:41:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。