Dec, 2018

MIWAE: 不完整数据的深度生成建模和插值

PDF
TL;DR研究在深度潜变量模型（DLVM）中如何处理缺失数据的问题，提出了一种称为 MIWAE 的基于重要性加权自编码器（IWAE）的方法，可以最大化观察数据的对数似然的潜在下界，通过该方法实现单一和多重插值。在这些不完整的 MNIST 数字上训练的深度卷积 DLVM，通过多重插值，其测试性能与完整数据集训练的网络相似，并且在各种连续和二元数据集上，MIWAE 提供精确的单一插值，并且在最先进方法中非常有竞争力。
发现论文，激发创造
  • 不是随机缺失数据下的深度生成建模

    提出了一种基于深度神经网络和重要性采样变分推理的方法，用于建立和拟合深度潜变量模型。该方法可以在处理缺失数据时，显式地建模缺失过程以及缺失数据本身之间的依赖关系，以期能更好地应用到实际问题。

    Jun, 2020

  • Fed-MIWAE: 基于深度生成模型的不完整数据联合修复

    本研究提出了一种基于联邦模型的更一致的数据标准化方法，并提出了 Fed-MIWAE 方法，这是一种用于缺失数据插补的联合学习方法，使用变分自编码器和多次插补实现，能在联邦学习情景下处理来自多个不同子数据集的高度异构的数据分布。该方法可以实现与最佳集中式方法相当的插补精度，并且能够量化联邦情景下的插补不确定性。

    Apr, 2023

  • 缺失数据下的 VAEs

    开发了一种新颖的潜在变量模型，通过生成缺失数据的损坏过程对处理缺失数据集进行了模糊处理，并推导出相应的易于实现、可处理可随机缺失和不随机缺失数据、适用于高维输入、VAE 编码器和解码器原则性访问指标变量以确定数据元素是否缺失的可跟踪证据下限 (ELBO)。在 MNIST 和 SVHN 数据集上，相比现有方法，证明了观测数据的边际对数似然和更好的缺失数据插值提高。

    Jun, 2020

  • 对抗训练图形卷积网络实现缺失数据插值

    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

  • MIDA: 使用去噪自编码器进行多重插补

    本文提出一种基于过完备去噪深度自编码器的多重插补模型，可以处理不同的数据类型、缺失模式、缺失比例和分布，评估表明我们的模型在多种条件下显著优于现有的最先进方法，同时改善了末端的线性分析。

    May, 2017

  • 使用混合变分族集合提升不完整数据的变分自动编码器估计

    研究了在数据不完整的情况下对变分自动编码器的估计任务，发现缺失数据增加了模型后验分布对潜变量的复杂性，从而影响了模型的拟合。通过引入两种策略（有限变分混合和基于插补的变分混合分布），解决了增加的后验复杂性问题。通过全面评估这些方法，结果表明变分混合对不完整数据的变分自动编码器估计准确性具有提升效果。

    Mar, 2024

  • M-DEW: 对缺失值进行动态集成加权的扩展

    采用动态缺失感知集成加权 (Dynamic missingness-aware Ensemble Weighting, DEW) 方法处理缺失数据的机器学习任务，优化整个 pipeline 来提高模型性能和校准度。

    Apr, 2024

  • EGG-GAE: 可扩展的图神经网络用于表格数据填充

    本文提出了一种基于 EdGe（隐式图形表示）图自编码器的缺失数据插补方法，其可处理更大的数据集且能够自动推断每层最佳的联通性，同时在基准测试和基线系统中均获得了重大的改进。

    Oct, 2022

  • 利用变分自编码器处理不完整的异质数据

    本文提出了 HI-VAE—— 一种能够处理必不可少的异构性和不完整数据的通用 VAE 设计框架，包括实数，正实数，区间，分类，序数和计数数据的似然模型，并展示了在监督任务中具有竞争性的预测性能。

    Jul, 2018

  • GP-VAE：深度概率时间序列插值

    本文提出一种新的深度顺序潜变量模型，通过高斯过程在时间上平滑演化的抽象低维表示来实现缺失数据的非线性降维和数据插值，旨在解决在医疗和金融等领域中常见的缺失数据问题。我们的方法优于传统的和基于深度学习的数据插值方法，并提供可解释的不确定性估计。

    Jul, 2019