May, 2024

SEGAN：半监督学习方法用于缺失数据插补

PDF
TL;DR本文提出了一种基于半监督学习的缺失数据完整性模型 SEGAN，它通过引入生成器、判别器和分类器等三个重要模块，使生成器在预测缺失数据值时更充分地利用已知数据和标签信息，同时通过引入缺失提示矩阵使判别器能够更有效地区分已知数据和生成器填充的数据，实验证明 SEGAN 模型能够学习到真实已知数据的分布特征，并且在大量实验中表现优于当前最先进的多元数据完整性方法，性能提升超过 3%。
发现论文，激发创造
  • 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

  • 使用生成对抗网络的语义图像补全与增强

    语义修复，图像完成，图像增强，生成对抗网络 (GAN)，图像质量。

    Jul, 2023

  • 使用深度学习进行语义图像补全和增强

    本文提出了一种深度学习架构，使用生成对抗网络 (Wasserstein GAN architecture) 完成损坏、缺失图像的修复与增强，实验结果表明该方法相对于最近报道的结果，峰值信噪比和结构相似度指数提高了 2.45% 和 4%。

    Nov, 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

  • 随机缺失输入数据的多域图像补全

    本文提出了一种基于生成对抗网络 (GAN) 的多领域图像完成方法，该方法使用表示学习技术在多个领域中提取共享骨架编码和分离的肉体编码，以完成实际应用中可能出现的领域数据缺失问题，并证明所学习的表示方法对高级任务具有潜在价值。

    Jul, 2020

  • 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

  • 使用半监督学习进行时间序列插值：填补丢失数据的空缺

    本文提出了一种半监督时间序列插值方法 ST-Impute，该方法基于稀疏自注意力模型并结合上下游任务的标签数据和无标签数据，在时间序列插值质量和下游任务结果上优于现有的监督和非监督方法。

    Apr, 2023

  • 多模态形状补全的条件生成对抗网络

    这篇论文提出了一种用多模式条件生成模型进行多维形状补全的方法，能够消除单一输出方法存在的不确定性以获得更多的结果。通过多个数据集的实验，证明了该方法的多样性和质量。

    Mar, 2020

  • 生成性人脸补全

    本文提出一种基于深度生成模型的有效面部完成算法，通过神经网络直接生成缺失区域的内容，并通过重构损失、两种对抗性损失和语义分割损失进行训练，能够处理任意形状的大面积丢失像素并生成逼真的面部完成结果。

    Apr, 2017

  • 不完整多模态情感数据的半监督深度生成建模

    本文提出了一种基于多视角深度生成性框架的新方法，通过多模式专用生成网络对多模态情感数据的统计关系进行建模，基于高斯混合分布对共享潜在变量的后验分布进行假设，以解决单一模式情感数据识别困难、手动注释代价高昂、情感数据存在缺失模态问题等问题，并在两种真实的多模态情感数据集上进行了实验验证。

    Jul, 2018