对抗样本增强的域适应：基于电子健康记录预测建模的案例研究
机器学习
2021-01-14 v1
摘要
随着机器学习在电子健康记录（EHRs）上的成功应用，众多计算模型已被部署以解决各类临床问题。然而，由于 EHRs 的异质性，在不同患者群体上训练的模型泛化性较差。如何缓解构建模型所基于的源患者群体与将部署模型的靶患者群体之间的域偏移成为一个关键问题。本文提出一种数据增强方法以促进域适应，该方法在靶群体上训练模型时利用源患者群体的知识。具体而言，在域适应过程中使用对抗生成的样本填补两个患者群体间的泛化鸿沟。所提方法通过 MIMIC-III EHR 数据集上不同预测建模任务的案例研究进行评估。结果证实了方法的有效性及在不同任务上的通用性。
引用
@article{arxiv.2101.04853,
title = {Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records},
author = {Yiqin Yu and Pin-Yu Chen and Yuan Zhou and Jing Mei},
journal= {arXiv preprint arXiv:2101.04853},
year = {2021}
}