AAAIDec, 2022

迭代图重建进行的数据填充

PDF
TL;DR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%。
data imputationgraph neural networksmissing datafriend networksiterative graph generation
发现论文，激发创造
  • 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

  • 使用图表示学处理缺失数据

    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）

    Oct, 2020

  • 重新审视初始化再精炼：一种不完整和缺失图形填充网络

    本文提出了一种基于 RITR（Revisiting Initializing Then Refining）的无监督方法，能同时填补属性不完整和属性缺失的图数据，并在四个数据集上取得了 state-of-the-art 的表现。

    Feb, 2023

  • 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

  • 填补设计间隙：基于图引导扩散模型的参数化数据补全方法

    该研究介绍了一种利用图注意力网络和表格扩散模型进行生成补全的生成补全模型，用于完善工程设计中的缺失参数数据。

    Jun, 2024

  • 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

  • 基于图拉普拉斯金字塔网络的缺失数据插值

    本文从 Dirichlet 能量的角度分析了 “草稿 - 细化” 方法，提出了一种名为 Graph Laplacian Pyramid Network 的新型架构方法，并在多个真实数据集上进行了广泛的实验，表现出优越的性能。

    Apr, 2023

  • ST-GIN：基于时空图注意力和双向循环联合神经网络的交通数据填充不确定性量化方法

    本文提出一种创新的深度学习方法来填充交通数据中的缺失值，采用图形关注架构和双向神经网络来捕捉交通数据中的空间和时间相关性，实验结果表明该方法优于所有基准技术，展示了其有效性。

    May, 2023

  • 基于卷积的矩阵网络填充

    该研究提出了一种针对部分观察到的矩阵网络的结构假设和优化问题解法，并在医学影像和社交网络等多个领域中得到了证明。

    Jun, 2016

  • DPGAN：用于图中缺失数据填补的双路径生成对抗网络

    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