論文の概要: Sequential versus fully conditional specification for tree-based synthesis of health data

• arxiv url: http://arxiv.org/abs/2610.35163v1
• Date: Mon, 26 Oct 2026 10:27:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.827336
• Title: Sequential versus fully conditional specification for tree-based synthesis of health data
• Title（参考訳）: 木に基づく健康データ合成のための逐次的・完全条件仕様
• Abstract要約: オリジナルのデータの代わりに合成データを分散させることは、特に医療分野において、オープンサイエンスの原則に従ってプライバシーを強制する有望な方法である。 このような手順の一般的なクラスは、決定木によって誘導される条件分布のモデルに基づいている。 リスクユーティリティトレードオフの最適化に使用する仕様については,現時点では推奨されていない。 本研究では,条件分布のツリーモデルを組み合わせることで,両方の仕様を用いて医療データセットを合成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disseminating synthetic data in place of original ones is a promising way to enforce privacy while complying with open science principles, especially in the healthcare domain. To keep pace with the rate at which researchers collect such data, there is a need for fast and flexible synthesis procedures. A popular class of such procedures is based on models of conditional distributions induced by decision trees. Such models can be combined into a synthetic distribution following two main approaches: sequential specification and fully conditional specification. However, there is currently no recommendation on which specification to use to optimize the risk-utility tradeoffs. In this work, we use both specifications to synthesize medical datasets by combining tree-based models of conditional distributions. We compare the quality of the resulting synthetic data using several metrics of risk and utility. Our results indicate no general superiority of either specification over the other. Sequential synthesis seems sensitive to the ordering of the variables, while the fully conditional specification involves more hyperparameters and incurs higher computational costs, which may limit its suitability for off-the-shelf synthesis procedures.
• Abstract（参考訳）: オリジナルのデータの代わりに合成データを分散させることは、特に医療分野において、オープンサイエンスの原則に従ってプライバシーを強制する有望な方法である。 このようなデータを収集する速度に追従するためには、高速で柔軟な合成手順が必要である。 このような手順の一般的なクラスは、決定木によって誘導される条件分布のモデルに基づいている。 このようなモデルは、逐次仕様と完全条件仕様の2つの主要なアプローチに従って、合成分布に結合することができる。 しかしながら、リスクユーティリティのトレードオフを最適化するためにどの仕様を使うかは、現時点では推奨されていない。 本研究では,条件分布のツリーモデルを組み合わせることで,両方の仕様を用いて医療データセットを合成する。 得られた合成データの品質を、リスクとユーティリティの指標を用いて比較する。 我々の結果は、どちらの仕様よりも一般的な優位性は示さない。 逐次合成は変数の順序に敏感に思えるが、完全な条件付き仕様ではハイパーパラメータが増加し、計算コストが増大し、既製の合成手順に適合する可能性が制限される。

関連論文リスト

• Automatic Extraction of Rules for Generating Synthetic Patient Data From Real-World Population Data Using Glioblastoma as an Example [0.03226662513378314]
  合成データの生成は、医療データをプライバシに適合した形で二次的に利用するための有望な技術である。 現実的な患者データを作成する一般的な方法は、ルールベースのSyntheaデータジェネレータである。
  論文  参考訳（メタデータ） (2025-12-09T09:41:37Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• Tunable correlation retention: A statistical method for generating synthetic data [0.0]
  与えられたデータセットから統計的に代表的な合成データを生成する手法を提案する。 本手法の主な目的は,生成したデータに対して,原データに存在する機能間相関を模倣することである。 我々は,Pearson相関行列を用いてデータセットを,解像度と相関深さの異なるレベルと比較することにより評価した。
  論文  参考訳（メタデータ） (2024-03-03T10:35:46Z)
• CuTS: Customizable Tabular Synthetic Data Generation [2.184775414778289]
  最初にカスタマイズ可能な合成データ生成フレームワークであるCuTSを紹介する。 CuTSは、元のデータセットで事前トレーニングされ、提供された仕様から自動的に派生した微分可能な損失に基づいて微調整される。 我々は4つのデータセットと多数のカスタム仕様に基づいてCuTSを評価し、より汎用的でありながら、いくつかのタスクにおける最先端の専門的アプローチより優れている。
  論文  参考訳（メタデータ） (2023-07-07T13:10:23Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Partially Conditioned Generative Adversarial Networks [75.08725392017698]
  Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。 条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。 本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-06T15:59:28Z)

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。