ICLRMay, 2023

基于置信度的部分已知特征图的特征填充

PDF
TL;DR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。
graph learningmissing feature imputationconfidencesemi-supervised classificationlink prediction
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 基于特征重要性的迭代缺失值填补

    通过考虑特征重要性，我们设计了一种基于矩阵完成和特征重要性学习的填补算法，实验证明该方法在处理缺失值方面优于现有的五种填补算法。

    Nov, 2023

  • 利用原型患者表征借助特征缺失感知校准来缓解电子病历数据稀疏性问题

    通过间接插补和特征可信度学习，我们的研究提出了一种改进的电子健康记录 (Electronic Health Record) 预测模型，能够更准确地预测住院病人的死亡情况，此模型在 MIMIC-III 和 MIMIC-IV 数据集上实验证明优于现有的模型。

    Sep, 2023

  • 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

  • 在缺乏已知真相的情况下预测特征的可辨识性

    本文提出了一种通过基于主成分分析的方法来确定是否可以准确地填充缺失值的特征填写能力，该方法可以在极端缺失和缺乏基础真相的情况下建立主成分载荷和特征填补能力之间的强线性关系。

    Jul, 2020

  • 一种用于不完整数据的新型特征选择框架

    提出了一种考虑特征重要性的新型不完整数据特征选择框架，通过多个迭代阶段的缺失值插补和特征重要性学习，实验结果表明该方法明显优于其他方法。

    Dec, 2023

  • 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