Nov, 2021

MIRACLE: 通过学习缺失数据机制的因果感知填补

PDF
TL;DR该研究提出了一个基于因果关系的缺失数据填补算法（MIRACLE），它可以同时建模数据丢失机制和鼓励填补方法与数据的因果结构一致，实验结果表明 MIRACLE 较其他方法在各种缺失情况下均有较好表现。
missing datamachine learningimputationcausal structuremiracle
发现论文，激发创造
  • 统计学习中的确定性和近似确定性模型

    本文提出了一种统一的方法，以验证数据插补对于学习准确模型是否必要，并在插补不必要的情况下返回准确模型。通过我们的算法，可以显著减少数据插补所需的时间和工作量，并且不会带来明显的计算负担。

    Feb, 2024

  • 缺失数据情况下的因果发现

    本文提出了 MVPC 算法，可用于发现具有不同缺失机制的观察数据中的基础因果结构，其缺失机制由失踪图表示，并提出了附加的纠正操作，以推导完整数据中的条件独立性 / 依赖关系。经实验证明，所提出的算法在 MAR 或 MNAR 数据下也能给出正确的结果，并且在神经病理性疼痛诊断记录和其他两个真实世界应用中表现优异。

    Jul, 2018

  • 解决数据集中缺失问题的方法论研究及其在人口健康数据集中的应用

    本研究提出了一种处理健康数据集中缺失数据的方法，通过结合生成合成数据集、缺失数据插补和深度学习方法来解决缺失数据问题，并使用高斯混合模型、聚类、分类和直接插补分析等综合性能分析框架评估，得出当采用 DAE 方法进行插补时，模型的对数损失最低且性能表现较好，该方法对于处理其他领域的缺失数据同样适用。

    Nov, 2022

  • 多中心临床研究中的缺失数据因果发现

    本研究使用多中心子宫内膜癌的数据分析不同缺失机制对因果图的影响，通过扩展最先进的因果发现算法来利用专家知识，验证得到的图形的良好拟合度和一致性。

    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

  • 算法公平中建模数据缺失的重要性：因果视角

    本文使用因果图的方法，研究了机器学习中缺失数据的情况对公平性算法的影响，提出了一个算法可在多阶段决策中实现分散决策的同时保持性能相似。

    Dec, 2020

  • 自适应预测缺失数据的优化

    训练具有缺失条目的预测模型时，我们可以利用两阶段自适应优化问题来处理缺失数据，并提出了一种新类模型，即自适应线性回归模型，其中回归系数根据观测特征进行自适应。我们展示了一些自适应线性回归模型等价于同时学习一个填充规则和一个下游线性回归模型，而不是顺序学习。我们利用这种联合填充 - 回归解释来推广我们的框架到非线性模型。在数据不随机缺失的情况下，我们的方法可以提高 2-10% 的样本外准确率。

    Feb, 2024

  • 数据库内数据填充

    通过在数据库系统中使用 MICE 方法，本研究实现了高效、高质量和可扩展的数据填充，充分利用计算共享和环形抽象技术以加快模型训练并在 PostgreSQL 和 DuckDB 中取得了比其他 MICE 实现和基于模型填充技术快两个数量级的计算时间，同时保持了高水平的填充质量。

    Jan, 2024

  • 从不完整数据学习循环因果模型

    在本研究中，我们提出了一种名为 MissNODAGS 的新框架，用于从部分缺失的数据中学习循环因果图。通过合成实验和真实的单细胞干预数据，我们证明在部分缺失的干预数据上使用最先进的填充技术后进行因果学习相比之下，MissNODAGS 表现出更好的性能。

    Feb, 2024

  • 约束下的可解释数据插补

    基于数据类型值和数据中的相关约束条件的数据插补新算法及其与其他算法的比较实验结果。该算法不仅可插补数据，还能生成人类可读的解释，描述用于每次插补的属性的重要性。

    May, 2022