GAIN: 使用生成对抗网络进行缺失数据插补
本文提出了一种基于 GAN 的框架,用于学习复杂、高维度的不完整数据,其中包括生成完整数据生成器和建立缺失数据分布的掩码生成器,同时还采用对抗训练技术完成缺失数据的插补处理,并在缺失随机假设下进行了多种类型的实验验证。
Feb, 2019
通过利用响应模式的结构,我们提出了基于 Generative Adversarial Nets (GAN) 的统一灵活框架,旨在同时处理片段数据的插补和标签预测,与其他基于生成模型的插补方法不同的是,该方法具有理论保证并且可以处理 Missing At Random (MAR)的数据。在广泛的实验中,FragmGAN 表现出较大的预测性能优势。
Mar, 2022
本文提出了一种名为 Dual-Path Generative Adversarial Network (DPGAN) 的新框架,用于同时处理缺失数据和避免过度平滑问题,在广泛的基准数据集上进行了全面的实验证明,DPGAN 始终能与现有的最先进的数据补全算法相媲美,甚至胜过其它算法。
Apr, 2024
本文提出了一种基于生成对抗网络(GAN)和去噪自动编码器(DAE)的视图插补方法,该方法能够有效地解决多视图数据分析中的缺失视图问题,并可用于生命科学领域的遗传研究。
Aug, 2017
本文提出了一种基于协同生成对抗网络 (CollaGAN) 的缺失图像数据填充的框架,该框架将图像填充问题转化为多域图像到图像的翻译任务,以便通过单个生成器和判别器网络成功地使用剩余的干净数据集估计缺失数据,实验证明与现有竞争方法相比,CollaGAN 能够产生更高质量的图像。
Jan, 2019
该研究使用增量算法 AdaGAN 训练 Generative Adversarial Networks(GAN)来解决 GAN 模型中出现的 missing modes 问题,并且证明了当每一步是最优的时候,这种增量方法可以在有限步数内收敛到真实分布,否则以指数速度收敛。
Jan, 2017
本文提出了使用生成对抗网络(GAN)生成机器学习任务的人工训练数据,以解决样本不平衡问题与个人隐私数据问题,在多个基准数据集上测试表明,使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.
Apr, 2019
本论文提出了一种更通用的缺失数据填充 (MDI) 框架,使用图神经网络 (GNNs) 建立自编码器与边表征向量,通过多个损失函数提升性能。本方法在大规模实验中表现优于现有 MDI 方法,在大量缺失值时尤为明显。
May, 2019