English(EN) Can synthetic data reproduce real-world findings in epidemiology? A replication study using adversarial random forests

使用对抗性随机森林的合成数据可准确重现流行病学发现

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-06 04:00

一项发表在arXiv上的新研究提出，对抗性随机森林（ARF）是一种生成合成流行病学数据的有效方法。该研究使用ARF生成的数据复制了六项现有流行病学研究的分析，发现结果与原始发现一致。与常用的数据合成器相比，ARF在效用、隐私保护和计算效率方面表现更优。 AI

影响这项研究有望提高合成数据在流行病学研究中的可及性和实用性，通过克服数据访问和隐私障碍来加速研究。

排序理由学术论文，提出了一种新的合成数据生成方法并评估了其性能。[lever_c_demoted from research: ic=1 ai=1.0]

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.LG TIER_1 English(EN) · Jan Kapar, Kathrin G\"unther, Lori Ann Vallis, Klaus Berger, Nadine Binder, Hermann Brenner, Stefanie Castell, Beate Fischer, Volker Harth, Bernd Holleczek, Timm Intemann, Till Ittermann, Andr\'e Karch, Thomas Keil, Lilian Krist, Berit Lange, Michael F. L · 2026-05-06 04:00

合成数据能否重现流行病学中的真实世界发现？一项使用对抗性随机森林的复制研究

arXiv:2508.14936v3 Announce Type: replace-cross Abstract: Synthetic data holds substantial potential to address practical challenges in epidemiology due to restricted data access and privacy concerns. However, many current methods suffer from limited quality, high computational d…