ترجمه فارسی مقاله انتساب چندگانه فدرال برای متغیرهایی که به طور تصادفی در پرونده های سلامت الکترونیکی توزیع شده وجود ندارند

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Federated Multiple Imputation for Variables that Are Missing Not At Random in Distributed Electronic Health Records
عنوان مقاله به فارسی انتساب چندگانه فدرال برای متغیرهایی که به طور تصادفی در پرونده های سلامت الکترونیکی توزیع شده وجود ندارند
نویسندگان Yi Lian, Xiaoqian Jiang, Qi Long
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Health Informatics انفورماتیک سلامتی

📚 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

Large electronic health records (EHR) have been widely implemented and are available for research activities. The magnitude of such databases often requires storage and computing infrastructure that are distributed at different sites. Restrictions on data-sharing due to privacy concerns have been another driving force behind the development of a large class of distributed and/or federated machine learning methods. While missing data problem is also present in distributed EHRs, albeit potentially more complex, distributed multiple imputation (MI) methods have not received as much attention. An important advantage of distributed MI, as well as distributed analysis, is that it allows researchers to borrow information across data sites, mitigating potential fairness issues for minority groups that do not have enough volume at certain sites. In this paper, we propose a communication-efficient and privacy-preserving distributed MI algorithms for variables that are missing not at random.

چکیده به فارسی (ترجمه ماشینی)

سوابق بزرگ سلامت الکترونیکی (EHR) به طور گسترده ای اجرا شده و برای فعالیت های تحقیقاتی در دسترس است.بزرگی چنین بانکهای اطلاعاتی اغلب نیاز به ذخیره سازی و زیرساخت های محاسباتی دارد که در سایت های مختلف توزیع می شوند.محدودیت در تقسیم داده ها به دلیل نگرانی از حریم خصوصی ، یکی دیگر از نیروی محرکه توسعه کلاس بزرگی از روشهای یادگیری ماشین توزیع شده و/یا فدرال شده است.در حالی که مشکل داده های از دست رفته نیز در EHR های توزیع شده وجود دارد ، هرچند که به طور بالقوه پیچیده تر ، روش های مختلف توزیع (MI) توزیع شده به اندازه توجه زیادی را به خود جلب نکرده اند.یک مزیت مهم از MI توزیع شده و همچنین تجزیه و تحلیل توزیع شده این است که به محققان این امکان را می دهد تا اطلاعات را در سایت های داده وام بگیرند و مسائل مربوط به انصاف بالقوه را برای گروه های اقلیت که حجم کافی در سایت های خاص ندارند ، کاهش دهند.در این مقاله ، ما یک الگوریتم های MI توزیع شده با ارتباطات و حفظ حریم خصوصی را برای متغیرهایی که به طور تصادفی از دست نمی روند ، پیشنهاد می کنیم.

📚 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.