Dossier de santé électronique synthétique (DSE) la génération de séries chronologiques est cruciale
pour faire progresser les modèles cliniques d’apprentissage automatique, car cela aide à traiter les données
rareté en fournissant plus de données de formation. Cependant, la plupart des approches existantes
se concentrer principalement sur la réplication des distributions statistiques et temporelles
dépendances des données du monde réel. Nous soutenons que la fidélité aux seules données observées
ne garantit pas de meilleures performances du modèle, car les modèles communs peuvent dominer,
limiter la représentation de conditions rares mais importantes. Ceci met en évidence
la nécessité de générer des échantillons synthétiques pour améliorer les performances de systèmes spécifiques
modèles cliniques pour atteindre leurs résultats cibles. Pour résoudre ce problème, nous proposons
TarDiff, un nouveau cadre de diffusion orienté cible qui intègre
conseils d'influence spécifiques à la tâche dans le processus de génération de données synthétiques.
Contrairement aux approches conventionnelles qui imitent les distributions de données d'entraînement, TarDiff
optimise les échantillons synthétiques en quantifiant leur contribution attendue à
améliorer les performances du modèle en aval grâce à des fonctions d'influence.
Spécifiquement, nous mesurons la réduction de la perte spécifique à une tâche induite par
échantillons synthétiques et intégrer ce gradient d'influence dans la diffusion inverse
processus, orientant ainsi la génération vers des données optimisées pour les utilités.
Évalué sur six ensembles de données DSE accessibles au public, TarDiff réalise
performances de pointe, surpassant les méthodes existantes jusqu'à 20.4% dans
AUPRC et 18.4% à AUROC. Nos résultats démontrent que TarDiff non seulement
préserve la fidélité temporelle mais améliore également les performances du modèle en aval,
offrir une solution robuste à la rareté des données et au déséquilibre des classes dans le secteur des soins de santé
analytique.
Cet article explore les excursions dans le temps et leurs implications.
Télécharger PDF: