MedDiffusion:通过基于扩散的数据增强提升健康风险预测
原文约200字/词,阅读约需1分钟。发表于: 。本文介绍了一种名为 MedDiffusion 的新型端到端扩散风险预测模型,通过在训练期间创建合成患者数据来增加样本空间,通过逐步关注机制揭示患者访问之间的隐藏关系,能够自动保留生成高质量数据所需的最重要信息,实验结果表明 MedDiffusion 在 PR-AUC、F1 和 Cohen's Kappa 等指标方面优于 14 种前沿基线模型。
本文研究了扩散模型生成图像的方法及其对数据增强的益处。研究发现,将扩散模型个性化到目标数据的方法优于简单的提示策略,但使用扩散模型的训练数据,通过最近邻检索程序,直接提高下游性能。扩散模型在数据增强方面有局限性,但在生成新训练数据方面有潜力,以提高下游视觉任务的性能。