- 医疗领域物联网设备的能力、架构、协议和智能应用：一种综述
本文对物联网技术进行综述，并详细介绍了常见的物联网设备能力、架构和协议，以及在医疗保健领域中的潜在应用，总结了现有知识的最新进展和未解决的问题，并提出了进一步研究的建议。
- Healthsheet: 健康數據透明化工具的開發
本文介绍了 Healthsheet，一种针对健康特定应用的数据表。该工具的目的是改善关于机器学习健康数据集的创建、使用和维护的文献记录实践。实验研究表明，针对健康特定应用的数据表是很有必要和重要的，并且需要针对特定的应用场景进行具体化和优化 - 利用生成回放在医学图像协作学习中处理数据异质性
本文介绍一种新颖的生成回放策略，以解决协作学习中数据异构性的挑战，并将其应用于医疗应用中的深度神经网络培训中。该方法通过利用生成对抗学习来汇总所有本地机构的知识，而不是直接聚合模型参数，从而实现知识的聚合和隐私保护。实验结果表明，与目前最先 - 医疗协作联邦学习：边缘多模态 COVID-19 诊断
本文旨在利用边缘计算和集群联邦学习等技术进行医学中的智能化诊断，为缺乏先进诊断设备的偏远医疗中心提供安全的多模态数据。作者评估了该框架在 COVID-19 诊断方面的表现，并在 X 射线和超声数据集上实现了 F1 得分的显着提高。同时，作者 - 探究对比学习在健康人体活动识别中的应用
本文旨在将对比学习技术 SimCLR 应用于人类行为识别（HAR）中，通过 64 种不同信号转换来增强数据，发现在健康相关应用中，该技术可显著改善监督和无监督学习方法的性能。
- 医疗保健中的安全稳健机器学习：调查
介绍机器学习和深度学习技术在医疗保健的应用及相应的安全和隐私挑战，并提出了相关方法以确保医疗保健应用中的安全和隐私保护。
- AAAI基于图的异构多任务学习生成模型
提出了一种新的基于图的生成模型，将多个异构学习任务统一到同一框架中，通过将图卷积网络与多个变分自编码器相结合，在不同的任务上嵌入节点，从而成功提高了所有任务的性能，推动了现有先进方法的进步。
- ICML时间序列的集合函数
本研究提出了 SeFT 的方法，该方法涉及时间序列分类及用于健康应用中的非规则采样和异步采样的设置功能，从而在高数据效率和可扩展性方面取得了优异的表现。
- IJCAI使用基于集合的神经网络从高度稀疏的传感器数据流中识别人类活动
本文研究如何在时间稀疏的数据上直接使用深度学习模型进行活动识别，并从老年人的多个真实数据集中，通过学习活动特征空间，得出相比于现有模型有显著分类性能提升的结论。
- 通过最优树实现可解释的聚类
本文介绍了一种新的无监督学习算法，利用混合整数优化技术生成可解释的基于树的聚类模型，以提高群集算法的可解释性，并在医疗应用中具有重要意义。
- KDD生成合理的医疗记录合成数据集
通过对患者数据集进行聚类，我们提出了一种新方法来生成二进制数据集，该方法不同于 Generative adversarial networks（GANs），生成的模型易于解释，且通过比较实际应用数据集的多个参数得出的结果表明，该方法生成的人 - 基于 MIMIC 大型医疗数据集的深度学习模型对比
本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现 - IJCAI基于概念空间模型的医学同义词提取
本文介绍了一种医学同义词提取新方法，旨在结合术语嵌入与医学领域知识用于医疗应用，其优势在于可扩展性，实验结果表明，该方法较基线方法表现更佳。
- 下跌规则列表
提供了一种基于贝叶斯框架的下降规则列表学习方法，用于分类和医疗应用中病人风险评估和决策等方面。