본 논문은 2000개 이상의 건강 관리 관련 속성에 대한 결합 확률을 근사하는 생성 모델인 가상 인간 생성 모델(VHGM)을 소개한다. 특히, 고차원, 희소한 건강 관리 데이터를 처리하기 위해 설계된 마스크된 오토인코더(MAE)인 VHGM-MAE라는 핵심 알고리즘을 제시한다. VHGM-MAE는 이질적인 의료 데이터 유형, 확률 분포 모델링, 여러 데이터 소스에서 발생하는 훈련 데이터의 체계적인 누락, 고차원, 소규모-n-대규모-p 문제를 해결한다. 이를 위해, VHGM-MAE는 이질적인 유형의 분포를 모델링하기 위한 우도 기반 접근 방식, 관찰된 속성과 누락된 속성 간의 복잡한 종속성을 포착하기 위한 변환기 기반 MAE, 그리고 소규모-n-대규모-p 문제를 완화하기 위해 다양한 누락 패턴을 가진 사용 가능한 샘플을 효과적으로 활용하는 새로운 훈련 방식을 사용한다. 실험 결과는 VHGM-MAE가 누락된 값 대체 및 합성 데이터 생성 모두에서 기존 방법보다 우수함을 보여준다.
시사점, 한계점
•
시사점:
◦
고차원, 희소 의료 데이터 처리 능력 향상.
◦
누락된 값 대체 및 합성 데이터 생성 성능 개선.
◦
다양한 의료 데이터 유형의 통합 및 모델링 가능성 제시.
◦
Transformer 기반 MAE를 활용한 복잡한 종속성 포착.
•
한계점:
◦
VHGM-MAE의 성능이 다른 특정 의료 데이터 세트에서도 일관되게 유지되는지 추가적인 검증 필요.
