CorGAN：用于生成合成医疗记录的相关性捕获卷积生成对抗网络
机器学习
2020-03-06 v2 机器学习
摘要
深度学习模型在图像分类与语音处理等领域已展现出高质量性能。然而，使用电子健康记录(electronic health record, EHR)数据创建深度学习模型，需要应对该领域研究者特有的隐私挑战。此事将注意力集中于在确保隐私的同时生成真实合成数据。本文提出一种称为相关性捕获生成对抗网络(correlation-capturing Generative Adversarial Network, CorGAN)的新框架，以生成合成医疗记录。在 CorGAN 中，我们结合卷积生成对抗网络与卷积自编码器，利用卷积神经网络在数据的表示空间中捕获相邻医疗特征间的相关性。为证明模型保真度，我们展示 CorGAN 在分类与预测等多种机器学习(Machine Learning, ML)设置下生成的合成数据具有与真实数据相近的性能。我们还给出隐私评估并报告关于合成数据真实特性的统计分析。本工作的软件为开源，可从 https://github.com/astorfi/cor-gan 获取。
引用
@article{arxiv.2001.09346,
title = {CorGAN: Correlation-Capturing Convolutional Generative Adversarial Networks for Generating Synthetic Healthcare Records},
author = {Amirsina Torfi and Edward A. Fox},
journal= {arXiv preprint arXiv:2001.09346},
year = {2020}
}
备注
Accepted to be published in the 33rd International FLAIRS Conference, AI in Healthcare Informatics