Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Censoring Survival Data01:09

Censoring Survival Data

230
Survival analysis is a statistical method used to analyze time-to-event data, often employed in fields such as medicine, engineering, and social sciences. One of the key challenges in survival analysis is dealing with incomplete data, a phenomenon known as "censoring." Censoring occurs when the event of interest (such as death, relapse, or system failure) has not occurred for some individuals by the end of the study period or is otherwise unobservable, and it might have many different...
230
Masking and Demasking Agents01:19

Masking and Demasking Agents

2.7K
EDTA titrations may necessitate masking and demasking agents to temporarily protect a particular metal ion in a mixture from the EDTA reaction. These agents facilitate the sequential analysis of the metal ions by forming stable complexes with some—but not all—metal ions during certain steps.
There are many masking agents, such as cyanide, fluoride, triethanolamine, thiourea, and 2,3-bis(sulfanyl)propan-1-ol (formerly 2,3-dimercapto-1-propanol), with the masking agent chosen based on...
2.7K
Propagation of Uncertainty from Random Error00:59

Propagation of Uncertainty from Random Error

1.1K
An experiment often consists of more than a single step. In this case, measurements at each step give rise to uncertainty. Because the measurements occur in successive steps, the uncertainty in one step necessarily contributes to that in the subsequent step. As we perform statistical analysis on these types of experiments, we must learn to account for the propagation of uncertainty from one step to the next. The propagation of uncertainty depends on the type of arithmetic operation performed on...
1.1K
Generation Time01:22

Generation Time

251
Bacterial generation time, the period required for a bacterial population to double during its exponential growth phase, serves as a critical measure of microbial growth dynamics under optimal conditions. This parameter varies significantly across bacterial species and can be influenced by factors such as temperature, pH, and the availability of nutrients. For example, Escherichia coli can achieve a generation time of approximately 20 minutes, while Mycobacterium tuberculosis exhibits a much...
251
Prediction Intervals01:03

Prediction Intervals

2.3K
The interval estimate of any variable is known as the prediction interval. It helps decide if a point estimate is dependable.
However, the point estimate is most likely not the exact value of the population parameter, but close to it. After calculating point estimates, we construct interval estimates, called confidence intervals or prediction intervals. This prediction interval comprises a range of values unlike the point estimate and is a better predictor of the observed sample value, y. 
2.3K
Random Variables01:09

Random Variables

13.4K
A random variable is a single numerical value that indicates the outcome of a procedure. The concept of random variables is fundamental to the probability theory and was introduced by a Russian mathematician, Pafnuty Chebyshev, in the mid-nineteenth century.
Uppercase letters such as X or Y denote a random variable. Lowercase letters like x or y denote the value of a random variable. If X is a random variable, then X is written in words, and x is given as a number.
For example, let X = the...
13.4K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Understanding Personal Protective Equipment Use in Interdisciplinary Medical Settings: Design Explorations for Just-in-Time Compliance Alerts: Improving PPE Practices in Medical Settings Through Alert Design.

DIS. Designing Interactive Systems (Conference)·2026
Same author

Consensus-based criteria for actionable hemorrhage in pediatric trauma: A Delphi study.

The journal of trauma and acute care surgery·2026
Same author

Development of an algorithm for adjudicating actionable hemorrhage in pediatric trauma patients.

The journal of trauma and acute care surgery·2025
Same author

Comparative analysis of personal protective equipment nonadherence detection: computer vision versus human observers.

Journal of the American Medical Informatics Association : JAMIA·2024
Same author

The cost of emergency care for children across differing levels of emergency department pediatric readiness.

Health affairs scholar·2024
Same author

Strategies to Obtain and Deliver Blood Products Into Critically Injured Children: A Survey of Pediatric Trauma Society Members.

Pediatric emergency care·2024
Same journal

ArieL: Adversarial Graph Contrastive Learning.

ACM transactions on knowledge discovery from data·2025
Same journal

Bayesian Variable Selection in Linear Regression in One Pass for Large Data Sets.

ACM transactions on knowledge discovery from data·2023
Same journal

Addressing Big Data Time Series: Mining Trillions of Time Series Subsequences Under Dynamic Time Warping.

ACM transactions on knowledge discovery from data·2019
Same journal

Cross-Dependency Inference in Multi-Layered Networks: A Collaborative Filtering Perspective.

ACM transactions on knowledge discovery from data·2017
Same journal

CGC: A Flexible and Robust Approach to Integrating Co-Regularized Multi-Domain Graph for Clustering.

ACM transactions on knowledge discovery from data·2017
Same journal

Scalable and Axiomatic Ranking of Network Role Similarity.

ACM transactions on knowledge discovery from data·2014
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas
  1. Home
  3. Processgan: Generación De Datos De Proceso Conscientes Del Tiempo Para Preservar La Privacidad Con Redes Adversarias Generativas Condicionales
  1. Home
  3. Processgan: Generación De Datos De Proceso Conscientes Del Tiempo Para Preservar La Privacidad Con Redes Adversarias Generativas Condicionales

Video Experimental Relacionado

Using Generative Art to Convey Past and Future Climate Transitions
06:10

Using Generative Art to Convey Past and Future Climate Transitions

Published on: March 31, 2023

1.1K

ProcessGAN: generación de datos de proceso conscientes del tiempo para preservar la privacidad con redes adversarias

Keyi Li1, Sen Yang2, Travis M Sullivan3

  • 1Electrical and Computer Engineering Department, Rutgers University, New Brunswick, New Jersey, USA.

ACM transactions on knowledge discovery from data
|August 25, 2025

Ver abstracta en PubMed

Resumen
Este resumen es generado por máquina.

ProcessGAN genera datos de procesos sintéticos realistas y que preservan la privacidad para la investigación. Esto permite el intercambio de datos de registro de eventos complejos, superando las limitaciones en la minería de procesos y el análisis médico.

Palabras clave:
Privacidad de los datosRedes generativas y adversariasMinería de procesoDatos secuencialesGeneración de datos sintéticosConciencia del tiempo

Más Videos Relacionados

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

681

Videos de Experimentos Relacionados

Using Generative Art to Convey Past and Future Climate Transitions
06:10

Using Generative Art to Convey Past and Future Climate Transitions

Published on: March 31, 2023

1.1K
Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

681

Área de la Ciencia:

  • Ciencias de la computación
  • Ciencia de los datos
  • Inteligencia artificial

Sus antecedentes:

  • Los datos de proceso de los registros de eventos ofrecen información sobre la dinámica de los procedimientos, pero a menudo no se pueden compartir debido a su confidencialidad y complejidad.
  • La disponibilidad limitada de datos de proceso restringe la investigación y el análisis en el dominio de la minería de procesos.

Objetivo del estudio:

  • Abordar la limitación de los datos de proceso compartibles mediante la introducción de un método de generación de datos de proceso sintético.
  • Desarrollar una red adversaria generativa (ProcessGAN) capaz de crear datos de proceso que preserven la privacidad con secuencias de actividades y sellos de tiempo realistas.

Principales métodos:

  • ProcessGAN utiliza un generador basado en transformador y un discriminador de autoatención consciente del tiempo.
  • El modelo tiene en cuenta la duración del proceso y los intervalos de tiempo de interactividad para la generación de datos realistas.
  • Evaluado en cinco conjuntos de datos del mundo real (médicos públicos y privados), utilizando métricas estadísticas, puntuación de modelos supervisados y evaluación de expertos en el dominio de los flujos de trabajo descubiertos.

    • Principales resultados:

    • ProcessGAN supera a los modelos generativos existentes para crear procesos complejos con vías paralelas.
    • Los datos sintéticos generados representan con precisión las dependencias de largo alcance y las distribuciones de marcas de tiempo auténticas.
    • Los contextos sintéticos asociados (por ejemplo, la demografía de los pacientes) también mostraron una alta fidelidad en comparación con los datos auténticos.

    Conclusiones:

    • ProcessGAN genera efectivamente datos de procesos sintéticos compartibles que no se pueden distinguir de los datos auténticos.
    • El enfoque mejora la viabilidad de la investigación y el análisis en la minería de procesos, especialmente para dominios sensibles como la atención médica.
    • El modelo desarrollado y el código fuente están a disposición del público para facilitar la investigación posterior.