XiaoMi-AI文件搜索系统
World File Search SystemTVAE
使用TVAE和CTGAN生成的表格数据进行了严格的实验分析
摘要 - 合成数据生成研究一直以快速的速度进行，并且时不时地设计了新颖的方法。早些时候，使用统计方法来学习真实数据的分布，然后从这些分布中采样合成数据。生成模型的最新进展导致了复杂的高维数据集的更有效的建模。此外，隐私问题也导致了较小的隐私漏洞风险较小的强大模型的发展。首先，本文对表格数据生成和评估矩阵的现有技术进行了全面调查。其次，它详细阐述了对ART合成数据生成技术的比较分析，特别是针对具有不同数据分布的小型，中和大型数据集的CTGAN和TVAE。它使用定量和定性指标/技术进一步评估综合数据。最后，本文提出了结果，还强调了仍然需要解决的问题和缺点。
具有动态变异轨迹模型的超声心动图中的异常检测
我们提出了一种用于超声心动图视频的新型异常检测方法。引入的方法利用了心脏周期的周期性，学习了各种潜在轨迹模型（TVAE）的三种变体。虽然前两个变体（TVAE-C和TVAE-R）模型严格的心脏周期性动作，但第三个（TVAE-S）更笼统，并且可以在整个视频中进行空间表示。所有模型均经过新型内部数据集的健康样本的培训，该数据集的婴儿超声心动图视频由多个室内视图组成，以了解健康人群的规范性之前。在推断期间，执行基于后验（MAP）的异常检测，以检测我们数据集中的分布样品。所提出的方法可靠地识别出严重的先天性心脏缺陷，例如Ebstein的异常或发光复合物。此外，它在检测肺动脉高压和右心室扩张时，用标准变异自动编码器实现了优于基于地图的异常检测。最后，我们证明了所提出的方法可以通过热图强调与异常心脏结构相对应的区域来解释其输出。