Quantifying Data Leakage in Multimodal Clinical Augmentation: A Decomposition Framework and a Leakage-Free Evaluation Protocol for Parkinson's Disease Classification
Este artigo introduz um framework de decomposição e um protocolo de avaliação livre de vazamento para demonstrar que os aparentes ganhos de classificação decorrentes do aumento generativo no diagnóstico da doença de Parkinson são frequentemente artefatos de vazamento de avaliação, revelando que, embora o balanceamento no espaço latente produza dados sintéticos de alta fidelidade, ele falha em melhorar o desempenho do modelo em relação às bases não aumentadas.