10:11
官方账号arXiv cs.LG@Omid Bazgir, Md Nasir, Jacob Hoffman, Yang Yang, Manu Agrawal, Anusua Trivedi, Vinay Rao Dandin, Chris Gibbons, Christine Swisher
推荐理由：这篇论文教你如何不让合成临床数据看起来像模板：两个修订方法在保住效用下限的同时把真实感拉上来，适合做医疗AI基准的人参考。
Synthea
共 1 条相关 AI 资讯
8月7日
10:11
论文提出在效用约束下改进合成临床基准的真实性。基线基准的配对缺失率达79.44%，仅12.75%的行可操作，38.94%的患者无可操作指标。两种确定性修订方案在保持效用下限的同时改善了上述指标。与朴素加密控制相比，修订避免了不现实的模板化。研究还发现内部真实性与对聚合操作参考的源保真度是不同目标。