图表式变压器生成对抗网络,用于医疗保健中的异质分布

科学领域:

• 医学的人工智能 (AI)
• 数据科学数据科学数据科学
• 生物信息学是一种生物信息学.

背景情况:

• 医疗保健表格数据 (HTD) 对医疗AI至关重要,但面临隐私挑战.
• 生成现实的合成HTD是复杂的,因为复杂的变量相互依赖和敏感的信息.
• 现有的合成数据生成方法与医疗保健数据集的复杂性作斗争.

研究的目的:

• 提出一个表格式变压器生成对抗网络 (TT-GAN),用于生成保护隐私的合成医疗表格数据.
• 通过多重注意力机制,有效地捕捉HTD内部的变量之间的关系.
• 在生成对抗性网络 (GAN) 架构中,通过基于隐式的算法确保数据隐私.

主要方法:

• 开发一个集成变压器架构的TT-GAN,用于模拟列关系的多重注意力机制.
• 应用离散和转换器方法来处理HTD中的异质连续变量.
• 将TT-GAN性能与条件表格GAN (CTGAN) 和copula GAN进行比较.

主要成果:

• 与CTGAN和copula GAN相比,TT-GAN在生成与真实医疗数据集非常相似的合成数据方面表现出卓越的性能.
• 拟议的变压器算法,结合离散和转换器,证明对HTD合成有效.
• 没有离散和转换器的基于变压器的模型显示出明显较差的性能,突显了拟议的方法的重要性.

结论:

• TT-GAN显示了医疗保健应用的巨大潜力,为生成现实且保护隐私的合成表格数据提供了强大的解决方案.
• TT-GAN处理混合变量类型 (多项式,离散型,连续型) 的能力强调了其在健康研究和数据合成中的多功能性.
• 该研究验证了离散和转换器方法的有效性,当它们与基于变压器的HTD生成模型相集成时.