基于生成对抗网络的分类型电子病历填补
本文提出了一种新的通过使用生成对抗网络 (GAN) 框架来填补缺失数据的方法,称为生成对抗填补网络 (GAIN)。通过给 D 提供一些额外的信息,即提示向量,我们测试了我们的方法,并发现 GAIN 显著优于现有的插值方法。
Jun, 2018
本文提出了一个框架,探索将生成对抗网络应用于连续实验室时间序列数据的价值,提出一种无监督的评估方法来测量合成实验室测试时间序列的预测能力,并证明在训练 GAN 模型之前,将训练集的表示学习纳入考虑是有益的,尤其是在预测药物作用于实验室测试数据方面。
Dec, 2017
本文提出了一种从未标记或部分标记的数据中学习判别分类器的方法,该方法基于一种目标函数,该函数在观察到的示例和它们预测的分类分布之间进行互信息交换,并对分类器抵抗对抗性生成模型的鲁棒性进行了权衡。我们实证评估了我们的方法 - 我们将其命名为分类生成对抗网络(或 CatGAN)- 在合成数据以及具有挑战性的图像分类任务上,展示了所学习分类器的鲁棒性。此外,我们定性地评估了由随着判别器学习的对抗性生成器生成的样本的保真度,并确定了 CatGAN 目标和判别聚类算法(如 RIM)之间的联系。
Nov, 2015
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 HexaGAN 的深度学习分类算法,它针对问题而来自三个问题(缺失数据,类别失衡和缺失标签),并通过新的预处理方法展现出良好的分类性能。
Feb, 2019
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
使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的,然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。
Jun, 2023
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
本研究探讨在情感分类数据集上使用标签插值的方法来增强 GAN 模型的表现,以生成可基于连续特征条件的情感图片,解决分类情感模型中无法实现平滑转换的问题。
Apr, 2022