Rodrigo Tertulino
PulseAugur coverage of Rodrigo Tertulino — every cluster mentioning Rodrigo Tertulino across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新流程增强临床AI模型的隐私性和准确性
研究人员开发了一种用于处理不平衡临床数据上的差分隐私联邦学习的稳健流程，特别适用于心血管风险预测。该流程整合了SMOTETomek技术以解决数据不平衡问题，并采用了FedProx算法来处理非独立同分布（non-IID）数据，其性能优于标准的FedAvg。研究确定了隐私-效用边界上的一个最优区域，表明在保持高临床效用（召回率>77%）的同时，可以维持强大的隐私保证（epsilon 9.0）。这项工作为使用异构医疗数据构建安全准确的诊断工…
-
联邦学习策略在临床死亡率预测方面进行比较
研究人员使用 MIMIC-IV 数据集对几种用于预测院内死亡率的联邦学习策略进行了基准测试。研究发现，FedProx 在 AUC-ROC 和 AUC-PR 方面表现最佳，优于 FedAvg 和 FedAdagrad 等其他策略。然而，没有一种策略在所有指标上都占主导地位，并且集中式基线模型仍然取得了优越的性能。研究还强调，全局模型不能平等地服务于所有个体护理单元，这表明在联邦学习应用中需要关注客户特定的异构性。
-
联邦学习框架经差分隐私验证可用于临床
研究人员已经验证了 FedCVR 框架在真实世界临床环境（特别是心血管数据集）中的联邦学习应用。该框架能够保持临床效用，同时遵守差分隐私标准。研究表明，FedCVR 在保持数据效用方面优于标准的 FedAvg，并在定义的隐私预算下取得了显著的 79.2% 的 F1 分数和 0.96 的 AUC。
-
机器学习模型将社会经济水平确定为学生表现的关键预测因素
研究人员开发了一种多层次机器学习模型，利用巴西基础教育评估系统（SAEB）的微数据来分析学生表现。该研究整合了学生社会经济地位、教师概况、学校指标和校长管理方面的数据。随机森林模型达到了90.2%的准确率和96.7%的AUC，优于其他集成算法。可解释人工智能（XAI）技术显示，学校的平均社会经济水平是学生表现最重要的预测因素，凸显了学业成就的系统性本质。