用模糊认知图生成可解释合成医疗表格数据

论文用模糊认知图生成可解释合成医疗表格数据，CPU即可运行

资讯摘要

论文提出将模糊认知图（FCM）用于合成医疗表格数据生成：临床特征用可语言解释的模糊集描述，特征间依赖以模糊集交集计算出的FCM边权重编码，再通过随机初始化的语言激活向量在FCM中传播至收敛并去模糊化，得到临床连贯的数值记录。作者在UCI医疗基准数据集上按TSTR协议评估，报告Heart Disease数据集准确率最高0.81、AUROC最高0.90，与TVAE和高斯Copula基线相当或更优，且仅用CPU运行；KS Complement最高0.91、Correlation Similarity最高0.95，DCR Baseline Protection持续高于TVAE。

要点速读

1. 方法用模糊集与FCM边权重显式编码特征间因果依赖，原生支持混合数据类型和领域约束
2. TSTR评估中Heart Disease数据集准确率最高0.81、AUROC最高0.90，仅用CPU运行
3. 保真度指标KS Complement最高0.91、Correlation Similarity最高0.95，DCR隐私指标持续高于TVAE

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。