PulseAugur
中
实时 06:45:46
English(EN) SynPre-FL: Synthetic data-driven pretraining integrated Federated Learning training framework

新框架结合合成数据和联邦学习用于临床风险预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了SynPre-FL，一个集成了合成数据生成和联邦学习的创新框架，用于隐私保护的临床风险预测。该方法使用自动编码器-扩散模型创建逼真的合成电子健康记录，然后对联邦训练过程进行预热启动。该框架旨在提高鲁棒性和可扩展性，特别是在客户端异构的非IID（非独立同分布）设置中，并且还提供校准的概率估计和临床上一致的特征归因。 AI

影响 该框架通过提高分布式数据的效用，可能在医疗保健领域实现更强大、更注重隐私的AI应用。

排序理由 该条目是一篇学术论文，详细介绍了一种新的机器学习训练框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架结合合成数据和联邦学习用于临床风险预测

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Akarsh K Nair, Muhammad Arifur Rahman, Nicholas Shopland, Andy Burton, Jun He, Yuan Shen, David Baldwin, Emma O'Dowd, Amna Burzic, Mufti Mahmud, David J. Brown ·

    SynPre-FL：合成数据驱动的预训练集成联邦学习训练框架

    arXiv:2607.19524v1 Announce Type: cross Abstract: Federated learning (FL) offers a promising approach to privacy-preserving clinical risk prediction, but its deployment remains limited by restricted data sharing, client heterogeneity, class imbalance, and the lack of realistic ta…

相关实体

相关话题