使用生成模型处理健康数据中的不确定性
机器学习
2025-03-06 v1
摘要
在机器学习中，尤其是在高风险领域如医疗保健领域，理解和管理不确定性尤为关键，因为类别不平衡会影响预测结果。本文引入 RIGA，这是一条一种新型管线，用于通过生成式人工智能缓解类别不平衡问题。该管线将表格型医疗数据转换为图像，利用如 cGAN、VQVAE 和 VQGAN 等模型生成平衡的样本，从而提高分类性能。这些表示经 CNN 处理后再转换回表格格式，以实现无缝集成。该方法增强了传统分类器如 XGBoost 的效果，改进了贝叶斯结构学习，并通过为 underrepresented 类别生成真实的合成数据来增强机器学习模型的鲁棒性。
引用
@article{arxiv.2503.03715,
title = {Handling Uncertainty in Health Data using Generative Algorithms},
author = {Mahdi Arab Loodaricheh and Neh Majmudar and Anita Raja and Ansaf Salleb-Aouissi},
journal= {arXiv preprint arXiv:2503.03715},
year = {2025}
}