Apr, 2024

DPGAN：用于图中缺失数据填补的双路径生成对抗网络

PDF
TL;DR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。
发现论文，激发创造
  • GAIN: 使用生成对抗网络进行缺失数据插补

    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

  • 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

  • FragmGAN: 面向片段数据插值和预测的生成对抗网络

    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

  • MisGAN：用对抗生成网络从不完整的数据中学习

    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

  • 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

  • CollaGAN: 遗漏图像数据填补的协同生成对抗网络

    本文提出了一种基于协同生成对抗网络 (CollaGAN) 的缺失图像数据填充的框架，该框架将图像填充问题转化为多域图像到图像的翻译任务，以便通过单个生成器和判别器网络成功地使用剩余的干净数据集估计缺失数据，实验证明与现有竞争方法相比，CollaGAN 能够产生更高质量的图像。

    Jan, 2019

  • 基于生成对抗网络的分类型电子病历填补

    本文提出了一种用于电子医疗记录中缺失数据生成和填补的新方法，该方法基于 GAN 技术，可以有效地提高数据预测精度。

    Aug, 2021

  • VIGAN: 基于生成对抗网络的缺失视图插值

    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

  • ImGAGN: 基于生成对抗图网络的不平衡网络嵌入

    本文提出了一种名为 ImGAGN 的生成对抗图网络模型，通过引入一种名为 GraphGenerator 的新型生成器解决不平衡网络上的节点分类问题，该生成器可以模拟少数类节点的属性分布和网络拓扑结构分布，进而使不同类别节点的数量得以平衡，通过在实际平衡的网络上训练 GCN 鉴别器，该方法在四个真实世界的不平衡网络数据集上表现出了超越最先进算法的半监督节点分类任务的效果。

    Jun, 2021

  • 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