论文
DISCO-TAB：用于复杂临床数据的隐私保护综合的分层强化学习框架
DISCO-TAB: A Hierarchical Reinforcement Learning Framework for Privacy-Preserving Synthesis of Complex Clinical Data
摘要
强大的临床决策支持系统的开发经常因缺乏高保真、保护隐私的生物医学数据而受到阻碍。虽然生成式 大语言模型 (LLM) 为合成数据生成提供了一种有前途的途径，但它们常常难以捕获电子健康记录 (EHR) 中固有的复杂、非线性依赖性和严重的类别不平衡，从而导致统计上合理但临床上无效的记录。为了弥补这一差距，我们引入了 DISCO-TAB（用于 TABular 合成的 DIScriminator-guided COntrol），这是一种新颖的框架，它可以协调微调的 LLM 和通过强化学习优化的多目标判别器系统。与之前依赖标量反馈的方法不同，DISCO-TAB 以四种粒度（标记、句子、特征和行）评估合成，同时集成自动约束发现和逆频奖励整形，以自主保留潜在的医学逻辑并解决少数类崩溃。我们在不同的基准上严格验证我们的框架，包括高维、小样本医学数据集（例如心力衰竭、帕金森病）。我们的结果表明，分层反馈产生了最先进的性能，与 GAN 和 Diffusion 基线相比，下游临床分类器效用提高了 38.2%，同时确保了出色的统计保真度 (JSD < 0.01) 和对成员推理攻击的强大抵抗能力。这项工作建立了一个新标准，为敏感的医疗保健应用程序生成值得信赖、保留实用性的合成表格数据。