Algoritmer for syntetisering

Det benyttes forskjellige algoritmer for syntetisering av data. Her følger en oversikt over algoritmene som benyttes

CART

Informasjon om algoritmen finnes ved å følge lenkene nedenfor.

CART: https://en.wikipedia.org/wiki/Predictive_analytics#Classification_and_regression_trees_.28CART.29

Generelt om beslutningstre-algoritmer: https://en.wikipedia.org/wiki/Decision_tree_learning

Synt-pakker som bruker algoritmen:

BISYS
Arena
- AAP
- Meldekort
- Vedtakshistorikk
ELSAM
- Sykemeldinger
- Legeerklæringer
INST
MEDL
NAV endringsmeldinger
PEN
SAM
SIGRUN/POPP
TP
TPS

CHAR-RNN

CHAR-RNN står for Character Based Recurrent Neural Network.

Informasjon om algoritmen kan finnes her: https://www.youtube.com/watch?v=WCUNPb-5EYI

Synt-pakker som bruker algoritmen:

ELSAM - Sykemeldingshistorikk
Arena - Vedtakshistorikk

ERF

ERF står for Extremely Random Forest. Dette er en egenkomponert algoritme for å sikre større spredning i generert data for ulike startpunkter.

Informasjon om algoritmen kan finnes ved å følge lenkene nedenfor.

https://www.youtube.com/watch?v=eM4uJ6XGnSM
https://towardsdatascience.com/the-random-forest-algorithm-d457d499ffcd

Synt-pakker som bruker algoritmen:

INNTK

GAN

GAN står for Generative Adversarial Network.

Informasjon om algoritmen finnes her: https://en.wikipedia.org/wiki/Generative_adversarial_network

Kommentar:

GANs ble testet som en POC en liten stund, men ble aldri implementert.

VAE

VAE står for Variational Autoencoders.

Informasjon om VAE finnes her: https://towardsdatascience.com/understanding-variational-autoencoders-vaes-f70510919f73

Synt-pakker som bruker algoritmen:

EREG (PoC)

Kommentar:

VAE ble testet som et alternativ til BEAN. Det ble utviklet en PoC på en uke med EREG som eksempel-domene. Resultatene var lovende, men det kreves en god del tilpasninger per domene for å få dette til å fungere. Det kreves også svært mye ressurser for å trene modellene.