Feb, 2024

保护和扩展 —— 使用 GAN 生成时间序列医疗记录的合成数据

PDF
TL;DR通过比较各种使用生成对抗网络的合成数据生成模型，研究证明了隐私保护生成对抗网络（PPGAN）模型在保护隐私的同时保持了可接受的生成数据质量，为将来医疗应用提供更好的数据保护。
private user dataqoesynthetic data generationgenerative adversarial networksprivacy preservation
发现论文，激发创造
  • 使用卷积 GAN 产生差分隐私的合成医疗数据

    本篇论文提出了一种基于不同 ially private 框架和卷积自编码器以及卷积生成对抗网络生成合成数据的方法，以应对使用医疗记录数据所面临的隐私困难，该方法能够捕捉到原始数据中存在的时间信息和特征相关性，并在有监督和无监督情况下使用公开可用的标准医疗数据集，优于现有的同类方法。

    Dec, 2020

  • 使用生成对抗网络合成逼真的心电图

    本文研究应用生成对抗网络（GANs）生成真实且无隐私顾虑的电信号数据，用于医疗培训和数据分析，并就 GANs 产生的合成数据的隐私问题进行讨论。研究结果表明 GANs 的架构成功地生成了与训练集相似且不同样本的时间序列信号，并且能够经受住简单的成员推断攻击，保证了训练集的隐私。

    Sep, 2019

  • 基于生成对抗网络的数据合成

    该研究提出了一种名为 table-GAN 的方法，使用生成对抗网络（GANs）合成伪造表格，用于保证数据匿名性和模型兼容性。实验证明，该方法在隐私和模型兼容性之间取得平衡，同时解决了数据泄露问题。

    Jun, 2018

  • 在医疗领域利用生成式人工智能模型进行合成数据生成：平衡研究和隐私

    本文探讨使用生成式 AI 模型，如 GAN 和 VAE，为研究和培训创建逼真的匿名患者数据，以及在医疗保健中应用合成数据的益处、挑战和未来研究方向。

    May, 2023

  • AnomiGAN：用于匿名化私人医疗数据的生成对抗网络

    本文提出了一种名为 AnomiGAN 的框架，该框架使用生成对抗网络来可靠地保护个人医疗数据的隐私，同时保持高预测性能，并展示了其在机器学习中的实用性。

    Jan, 2019

  • 利用生成对抗网络生成多标签离散化患者记录

    本文提出了一种基于生成对抗网络的方法（medGAN），用于生成逼真的合成病人记录数据，并证明其可行性及隐私风险。

    Mar, 2017

  • 基于 GAN 的皮肤病应用生成建模 -- 比较研究

    利用生成对抗网络 (GANs) 创建合成数据是解决医疗数据库隐私政策问题的好方法。本文探讨了集中式和分散式条件和非条件 GANs 的性能以及其在现实和理想情况下生成病变数据的能力，并说明了 GANs 训练过程中潜空间和嵌入可视化的技术，以及 GANs 的真实性和泛化性评估等问题。

    Aug, 2022

  • 时序生成的条件 GAN

    本文提出了一种新型时序生成对抗网络 (Time Series GAN，TSGAN)，并以基准时序数据库中的 70 个数据集作为评估对象，证明了 TSGAN 相较竞争对手表现更好，既在 Frechet Inception Score (FID) 度量中表现更佳，也在分类评估标准上具有更好的定性表现。

    Jun, 2020

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023

  • DP-CGAN：差分隐私合成数据和标签生成

    通过引入一种新的剪辑和扰动策略，基于 Renyi 差分隐私监管机制，提出了一种差分隐私条件生成式对抗网络（DP-CGAN）训练框架，用于在保持培训数据隐私的同时提高模型性能，实验结果表明 DP-CGAN 可以通过单一的差分隐私 epsilon 参数在 MNIST 数据集上生成视觉和实验上有前途的结果。

    Jan, 2020