[论文解读] CorGAN: Correlation-Capturing Convolutional Generative Adversarial Networks for Generating Synthetic Healthcare Records

Amirsina Torfi, Edward A. Fox|arXiv (Cornell University)|Jan 25, 2020

Generative Adversarial Networks and Image Synthesis被引用 25

一句话总结

CorGAN 是一种新颖的卷积生成对抗网络，利用一维卷积神经网络（1D CNNs）和卷积自编码器来捕捉电子健康记录（EHRs）中的特征间相关性，生成高保真度的合成离散与连续 EHR 数据。其在下游分类任务中优于现有方法（如 medGAN），并在成员推断攻击下展现出强大的隐私保护能力。

ABSTRACT

Deep learning models have demonstrated high-quality performance in areas such as image classification and speech processing. However, creating a deep learning model using electronic health record (EHR) data, requires addressing particular privacy challenges that are unique to researchers in this domain. This matter focuses attention on generating realistic synthetic data while ensuring privacy. In this paper, we propose a novel framework called correlation-capturing Generative Adversarial Network (CorGAN), to generate synthetic healthcare records. In CorGAN we utilize Convolutional Neural Networks to capture the correlations between adjacent medical features in the data representation space by combining Convolutional Generative Adversarial Networks and Convolutional Autoencoders. To demonstrate the model fidelity, we show that CorGAN generates synthetic data with performance similar to that of real data in various Machine Learning settings such as classification and prediction. We also give a privacy assessment and report on statistical analysis regarding realistic characteristics of the synthetic data. The software of this work is open-source and is available at: https://github.com/astorfi/cor-gan.

研究动机与目标

• 为解决在研究中使用真实 EHR 数据时面临的隐私挑战，生成逼真的合成替代数据。
• 通过捕捉医疗特征之间的局部和时间相关性，改进现有的基于 GAN 的 EHR 合成方法。
• 证明 CorGAN 生成的合成数据在下游机器学习任务中的表现可与真实数据相媲美。
• 在对手知识不同的情况下，评估模型对成员推断攻击的隐私鲁棒性。
• 提供一个开源、可扩展的框架，用于生成支持离散与连续特征的合成 EHR 数据。

提出的方法

• CorGAN 将一维卷积 GAN 与卷积自编码器（CA）结合，以学习真实 EHR 数据的分布并重建合成样本。
• 生成器接收随机噪声 z，并生成连续的潜在表示，随后通过可微解码函数解码为离散的 EHR 特征。
• 在生成器和判别器中均使用一维卷积神经网络，以建模 EHR 时间序列中相邻医疗特征之间的局部相关性。
• 通过最小-最大对抗损失进行训练，其中判别器负责区分真实 EHR 与合成 EHR，而生成器则旨在欺骗判别器。
• 使用余弦相似度评估成员推断攻击，通过比较真实记录与合成样本以评估隐私泄露程度。
• 在 MIMIC-III 和 UCI 癫痫发作识别数据集上评估该框架，使用 AUROC 和 AUPRC 评估分类性能，使用精确率/召回率评估隐私保护。

实验结果

研究问题

• RQ1 基于一维卷积神经网络的 GAN 架构能否有效捕捉 EHR 数据中的特征间相关性，优于多层感知机（MLP）基线模型？
• RQ2 与真实 EHR 数据相比，CorGAN 生成的合成数据在下游分类与预测任务中的表现如何？
• RQ3 当攻击者已知的真实患者记录数量不同时，CorGAN 在多大程度上能保护隐私，免受成员推断攻击？
• RQ4 合成数据量的增加如何影响成员推断攻击的准确性？
• RQ5 CorGAN 能否生成保持时间与特征相关性结构的逼真合成 EHR 数据？

主要发现

• 在 UCI 癫痫发作识别数据集上，CorGAN 的 AUROC 达到 0.92 ± 0.012，AUPRC 达到 0.41 ± 0.015，优于 medGAN、VAE 和 DBM。
• 使用一维卷积神经网络显著提升了相关性捕捉能力，分类任务中的优异表现证实了这一点。
• 当已知真实记录数从 100 增加到 5,000 时，精确率从 0.60 降至 0.39，表明攻击成功率随更多真实数据暴露而下降。
• 在固定已知真实记录数（如 100）的前提下，增加合成记录数量会显著降低精确率（从约 0.60 降至约 0.20），而召回率未上升，表明攻击可靠性下降。
• 该模型展现出强大的隐私保护能力，即使攻击者知晓部分真实记录，大量合成数据仍能有效误导其判断。
• CorGAN 生成了保持真实数据统计与时间特性的逼真合成 EHR 数据，使其在下游机器学习任务中具有有效应用潜力。