良好的培训数据是开发有用的ML应用程序的先决条件。但是，在许多域中，现有数据集不能由于隐私法规（例如，从医学研究）而被共享。这项工作调查了一种简单而非规范的方法，可以匿名数据综合来使第三方能够受益于此类私人数据。我们探讨了从不切实际，任务相关的刺激中隐含地学习的可行性，这通过激发训练有素的深神经网络（DNN）的神经元来合成。因此，神经元励磁用作伪生成模型。刺激数据用于培训新的分类模型。此外，我们将此框架扩展以抑制与特定个人相关的表示。我们使用开放和大型闭合临床研究的睡眠监测数据，并评估（1）最终用户是否可以创建和成功使用定制分类模型进行睡眠呼吸暂停检测，并且（2）研究中参与者的身份受到保护。广泛的比较实证研究表明，在刺激上培训的不同算法能够在与原始模型相同的任务上成功概括。然而，新和原始模型之间的架构和算法相似性在性能方面发挥着重要作用。对于类似的架构，性能接近使用真实数据（例如，精度差为0.56 \％，Kappa系数差为0.03-0.04）。进一步的实验表明，刺激可以在很大程度上成功地匿名匿名研究临床研究的参与者。
translated by 谷歌翻译
之前的信仰是贝叶斯的认知核心核心，但许多这些账户不直接测量前锋。更具体地，信仰的初始状态大量影响在更新特定模型时假设假设新信息的利用方式。尽管如此，先前和后部信仰要么从连续参与者行动推断，或者通过贫困手段引发。我们参与者在理论上不可知的方式发挥游戏“Plinko”的一个版本，首先引发个人参与者前瞻。然后直接测量随后的学习和更新参与者信仰。我们表明，参与者持有各种前锋，这些前锋围绕原型概率分布，反过来影响学习。在后续实验中，我们表明，参与者前锋随着时间的推移稳定，更新信仰的能力受到简单环境操纵的影响（即短暂的休息）。该数据揭示了直接衡量参与者信仰的重要性，而不是假设或推断它们在迄今为止的文献中被广泛完成。 Plinko游戏提供了一种灵活和融合的方法，用于检查统计学习和心理模型更新。
translated by 谷歌翻译