| Summary: | Triple Mixup es una política de aumento en el espacio latente oculto que introdujimos en el marco de aprendizaje autosupervisado de Mixup contrastivo, para abordar el problema de datos desequilibrados, para el conjunto de datos tabulares de enfermedades cardíacas cardiovasculares. Se sabe que los conjuntos de datos tabulares médicos presentan desafíos como muestras de calidad anotada limitada y de clase altamente desequilibrada debido a la naturaleza del dominio. La literatura reciente sobre el aprendizaje autosupervisado y semi supervisado ha mostrado un enorme progreso en el aprendizaje de representaciones útiles y en el aprovechamiento de conjuntos de datos no etiquetados y conjuntos de datos etiquetados para entrenar un modelo de aprendizaje. La mayoría de los métodos existentes no son factibles para datos tabulares debido al esquema de aumento de datos. Además, el problema de alto desequilibrio puede mostrar un rendimiento más bajo en los algoritmos de aprendizaje automático. Para este trabajo, proponemos el método de aumentación de datos triple en el espacio oculto para atacar el desafío desequilibrado en el aprendizaje autosupervisado y semi supervisado, desde las posibles aplicaciones de Contrastive Mixup, por ende estudiaremos la influencia de este .
|
|---|