Oct, 2020

使用图表示学处理缺失数据

PDF
TL;DR本文提出了一种名为 GRAPE 的基于图的机器学习框架，它同时处理了特征插补和标签预测问题，通过使用图神经网络，在 9 种基准数据集上实现了比现有最先进方法更低的平均绝对误差（20％的特征插补任务，10％的标签预测任务）
machine learningmissing datafeature imputationlabel predictiongraph-based framework
发现论文，激发创造
  • 迭代图重建进行的数据填充

    本文提出了一种迭代图生成和重构框架用于缺失数据插补，引入了 “朋友网络” 概念以表示样本之间的不同关系，并通过端到端朋友网络重建解决在缺失数据情况下生成准确的朋友网络，实现了数据的不同信息传递。在 8 个基准数据集上的实验结果表明，相比其他九种基准方法，该方法得到了 39.13% 较低的平均绝对误差，并且比第二名低 9.04%。

    Dec, 2022

  • 用图神经网络填补 G_ap_s：多元时间序列插值

    本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

    Jul, 2021

  • 通过自监督对比学习实现属性缺失图的特征插值

    通过 Attribute missing Graph Contrastive Learning (AmGCL) 处理属性图数据中的缺失节点属性，提高特征推断和节点分类两个任务的性能。

    May, 2023

  • 包含缺失特征的图形卷积网络

    该文提出了一种基于高斯混合模型的图卷积神经网络方法，有效解决了节点特征信息不完整所带来的性能退化问题，实现了端到端的特征填充和图学习过程，并在节点分类和链路预测任务中明显优于基于特征填充技术的方法。

    Jul, 2020

  • 基于置信度的部分已知特征图的特征填充

    探索解决图学习任务中缺失特征问题的方法，引入一种新的信任概念，设计一种新的特征插值方案以及节点分类和链接预测。

    May, 2023

  • 面向较好的缺失数据建模：一种基于对比学习的可视分析视角

    本研究提出了一种对待处理缺失数据的机器学习模型建模的对比学习框架，该框架通过学习不完整样本与其完整对应物之间的相似性和其他样本之间的不相似性来解决现有方法中的三个主要缺点，并引入了可解释技术来可视化学习过程和诊断模型状态，结果表明该方法在不需要填充缺失值的情况下具有高预测准确性和模型可解释性。

    Sep, 2023

  • 关于节点特征缺失图学习中特征传递效果的不合理有效性

    本研究提出了一种名为 Feature Propagation 的方法，通过 Dirichlet 能量的最小化处理缺失特征值，得到在图机器学习领域中处理缺失功能数据的方法。研究表明，该方法在节点分类基准测试中的表现优于以前的方法，并且可以经受极高比例的缺失特征。

    Nov, 2021

  • PROMISSING: 剪枝神经网络中的缺失值

    该研究提出了一种名为 PROMISSING 的神经网络学习和推断过程中对缺失值进行修剪的方法，无需移除或填补缺失值，而是将其作为一种新的信息源，实现类似于各种填补技术的预测效果，并提高模型对于缺失信息的处理能力。

    Jun, 2022

  • 生成式图神经网络用于链接预测

    本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

    Dec, 2022

  • 一种基于图的性能分析新型表示学习技术

    将表格形式的性能数据转换为图形，利用图神经网络方法捕捉特征和样本之间复杂的关系，以提高回归任务的性能分析领域中的预测模型的性能。

    Jan, 2024