English(EN) Improving the Realism of Synthetic Clinical Benchmarks Under Utility Constraints

新方法提高了合成临床AI基准的真实性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-07 04:00

研究人员开发了一种方法，用于增强AI代理的合成临床基准的真实性，特别是在隐私敏感的医疗保健环境中。该方法被称为效用约束下的真实性改进，它修改数据集以提高其结构真实性，同时确保它们仍符合操作效用标准。使用Synthea患者生成器进行的实验表明，特定的修订可以在不影响下游管道性能的情况下，显著提高缺失结构和可操作措施等指标，这表明合成数据质量需要超越基本效用检查的显式优化。 AI

影响通过提高合成数据的真实性，增强了医疗保健领域AI模型的质量和可靠性。

排序理由学术论文，详细介绍了一种新的合成数据生成方法。[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 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Omid Bazgir, Md Nasir, Jacob Hoffman, Yang Yang, Manu Agrawal, Anusua Trivedi, Vinay Rao Dandin, Chris Gibbons, Christine Swisher · 2026-08-07 04:00

在效用约束下提高合成临床基准的真实性

arXiv:2608.06265v1 Announce Type: new Abstract: Synthetic clinical benchmarks for enterprise AI agents can pass existing utility checks and still remain structurally unrealistic, especially in privacy-sensitive healthcare settings where operational data are hard to access. We stu…

报道来源 [1]

在效用约束下提高合成临床基准的真实性

相关实体

相关话题