ترجمه فارسی مقاله تولید نت بالینی مصنوعی قابل کنترل با ضمانت حریم خصوصی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Controllable Synthetic Clinical Note Generation with Privacy Guarantees
عنوان مقاله به فارسی تولید نت بالینی مصنوعی قابل کنترل با ضمانت حریم خصوصی
نویسندگان Tal Baumel, Andre Manoel, Daniel Jones, Shize Su, Huseyin Inan, Aaron, Bornstein, Robert Sim
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Machine Learning,محاسبه و زبان , یادگیری ماشین ,
توضیحات Submitted 12 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 12 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In the field of machine learning, domain-specific annotated data is an invaluable resource for training effective models. However, in the medical domain, this data often includes Personal Health Information (PHI), raising significant privacy concerns. The stringent regulations surrounding PHI limit the availability and sharing of medical datasets, which poses a substantial challenge for researchers and practitioners aiming to develop advanced machine learning models. In this paper, we introduce a novel method to "clone" datasets containing PHI. Our approach ensures that the cloned datasets retain the essential characteristics and utility of the original data without compromising patient privacy. By leveraging differential-privacy techniques and a novel fine-tuning task, our method produces datasets that are free from identifiable information while preserving the statistical properties necessary for model training. We conduct utility testing to evaluate the performance of machine learning models trained on the cloned datasets. The results demonstrate that our cloned datasets not only uphold privacy standards but also enhance model performance compared to those trained on traditional anonymized datasets. This work offers a viable solution for the ethical and effective utilization of sensitive medical data in machine learning, facilitating progress in medical research and the development of robust predictive models.

چکیده به فارسی (ترجمه ماشینی)

در زمینه یادگیری ماشین ، داده های حاشیه نویسی خاص دامنه یک منبع ارزشمند برای آموزش مدلهای مؤثر است.با این حال ، در حوزه پزشکی ، این داده ها اغلب شامل اطلاعات مربوط به سلامت شخصی (PHI) می شود و نگرانی های قابل توجهی در حریم خصوصی ایجاد می کند.مقررات سختگیرانه پیرامون PHI در دسترس بودن و به اشتراک گذاری مجموعه داده های پزشکی را محدود می کند ، که یک چالش اساسی برای محققان و دست اندرکاران با هدف توسعه مدلهای پیشرفته یادگیری ماشین ایجاد می کند.در این مقاله ، ما یک روش جدید را به مجموعه داده های "کلون" حاوی PHI معرفی می کنیم.رویکرد ما تضمین می کند که مجموعه داده های کلون شده ویژگی ها و ابزار اصلی داده های اصلی را بدون به خطر انداختن حریم خصوصی بیمار حفظ می کنند.با استفاده از تکنیک های سرمایه گذاری دیفرانسیل و یک کار تنظیم دقیق جدید ، روش ما مجموعه داده هایی را تولید می کند که ضمن حفظ خصوصیات آماری لازم برای آموزش مدل ، از اطلاعات قابل شناسایی عاری است.ما آزمایش ابزار را برای ارزیابی عملکرد مدل های یادگیری ماشین که در مجموعه داده های کلون شده آموزش داده شده است ، انجام می دهیم.نتایج نشان می دهد که مجموعه داده های کلون شده ما نه تنها از استانداردهای حفظ حریم خصوصی حمایت می کنند بلکه عملکرد مدل را در مقایسه با کسانی که در مجموعه داده های ناشناس سنتی آموزش دیده اند ، افزایش می دهد.این کار یک راه حل مناسب برای استفاده اخلاقی و مؤثر از داده های پزشکی حساس در یادگیری ماشین ، تسهیل پیشرفت در تحقیقات پزشکی و توسعه مدلهای پیش بینی قوی ارائه می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.