ConSequence：合成逻辑约束序列用于电子健康记录生成
机器学习
2023-12-22 v2 人工智能
计算与语言
摘要
当真实数据不可用或有限时，生成模型可以生成合成的患者记录用于分析任务。然而，当前方法在遵循领域特定知识和剔除无效数据方面存在困难。我们提出了 ConSequence，一种将领域知识有效集成到序列生成神经网络输出中的方法。我们基于规则的公式包含时间聚合和前件评估模块，通过高效的矩阵乘法公式实现，以满足跨时间步的硬逻辑约束和软逻辑约束。现有的约束方法通常无法保证约束满足，缺乏处理时间约束的能力，并阻碍模型的学习和计算效率。相比之下，我们的方法能够高效处理所有类型的约束，并保证逻辑一致性。我们展示了 ConSequence 在生成电子健康记录方面的有效性，在不牺牲运行性能或生成质量的情况下，在实现完整的时间和空间约束满足方面优于竞争对手。具体而言，ConSequence 成功防止了所有规则违反，同时将模型质量提高了 5%（测试困惑度降低），并且与无约束模型相比，生成速度的减慢不到 13%。
引用
@article{arxiv.2312.05964,
title = {ConSequence: Synthesizing Logically Constrained Sequences for Electronic Health Record Generation},
author = {Brandon Theodorou and Shrusti Jain and Cao Xiao and Jimeng Sun},
journal= {arXiv preprint arXiv:2312.05964},
year = {2023}
}