- 基于差分方程的数据驱动脑活动建模方法
该研究针对从不完全数据中提取方程的创新任务,摆脱传统用于完整解决方案的方法,解决了从数据中提取方程的挑战,特别是在使用电生理数据研究脑活动时,通常受到不充分信息的限制。该研究在建模脑活动的背景下,对现有的开源方程推导方法进行了简要回顾。接下 - 使用混合变分族集合提升不完整数据的变分自动编码器估计
研究了在数据不完整的情况下对变分自动编码器的估计任务,发现缺失数据增加了模型后验分布对潜变量的复杂性,从而影响了模型的拟合。通过引入两种策略(有限变分混合和基于插补的变分混合分布),解决了增加的后验复杂性问题。通过全面评估这些方法,结果表明 - 无观测区域的时空预测
我们提出一种名为 STSM 的模型,通过对相邻具有记录数据的区域进行对比学习,从类似感兴趣区域的位置中学习,通过选择性的屏蔽策略实现学习,最终在交通和空气污染预测任务中优于现有模型,持续降低误差。
- 不完整时序数据的联合信号恢复与图学习
通过方法的块连续上界最小化(BSUM)算法,从以下数据中学习一个图并恢复信号:来自不完整的时间序列观测的图、未知的底层图模型及信号。这个算法在合成和真实时间序列的模拟结果中展示了图学习和信号恢复的性能。
- 基于原型引导的不完整文本模态人员再识别补全与对齐
我们提出了一种新颖的原型引导的跨模态完成与对齐(PCCA)框架,用于处理不完整的基于文本的人员重新识别任务,该任务由于缺失的跨模态数据而在现实世界中通常遇到。我们的实验结果表明,我们的方法在几个基准测试中始终优于最先进的文本 - 图像重新识 - 学习适应实际不完整数据情景下的噪声鲁棒性联合表示的多模态情感识别
通过引入噪声和可变自动编码器(Variational AutoEncoder)结构,提出了一种新的噪声鲁棒多模情感识别模型(NMER model),能够有效地从包含噪声的不完整数据中学习到鲁棒的多模态联合表示,实验证明 NMER 在 IEM - 可扩展的不完全多视角聚类与结构对齐
通过锚图学习和结构对齐,提出了一种用于处理不完整多视角聚类的新型不完整锚图学习框架,提高了聚类质量并降低了时间和空间复杂度。
- 不完整观测数据的因果效应联邦学习
通过分散的不完整数据源进行联邦因果推断,估计多个分散的不完整数据源中的因果效应。该方法使用丢失数据的条件分布来识别因果关系,并估计缺失随机假设下的更高阶统计量,同时回答隐私风险。通过模拟和真实世界示例的集合验证了该方法的功效和实用性。
- CLCLSA: 交叉组学链接嵌入,基于对比学习和自注意力的多组学一体化方法,可处理不完整的多组学数据
本文提出了一种基于深度学习的多组学(multi-omics)数据集成方法 CLCLSA,利用跨组学自动编码器学习生物数据的特征表示,采用多组学对比学习和自关注机制实现数据集成,通过在四个数据集上的实验证明其在应用不完整数据进行多组学分类上具 - AAAIDICNet: 双不完整多视角多标签分类的深度实例级对比网络
本论文提出了一种名为 DICNet 的深度实例级对比网络,能够有效地应对数据收集和手动注释的不确定因素所导致的多视图多标签数据缺失的问题。通过利用深度神经网络,DICNet 能够更好地提取多视图样本的高级语义表征,并在此基础上采取一系列手段 - MM利用最大似然原则解决 K-means 聚类中的数据不完整问题
采用 MM 原理恢复数据的对称性,以便 K-means 聚类算法在存在不完整数据的情况下高效工作。
- 基于聚类的生成不完整图像文本聚类 (CIGIT-C)
本研究针对多模态数据,使用一种基于生成网络的不完整图文聚类方法,旨在解决实际情景中数据不完整的问题,并在公开数据集上验证了其性能优于已有方法。
- 不确定性贝叶斯网络:从不完整数据中学习
本文旨在改进处理不确定贝叶斯网络的现有方法,通过使该方法能够学习其参数的分布,即条件概率,并基于各种查询的强度和经验确定置信度限制,从而在不完整的数据情况下学习参数的后验分布。
- MM本地稀疏不完全多视角聚类
本文针对在多视角数据的部分视角缺失下进行聚类的问题,提出了一种名为 LSIMVC 的简洁、高效的方法,其通过实现稀疏规则和新颖的图嵌入多视角矩阵分解模型,从不完整的多视角数据中学习出一种稀疏的结构化共识潜在表征。
- 深度不完整多视角多聚类
本文提出了一个深度不完全多视图多聚类 (DiMVMC) 框架来处理多视图数据不完整问题,并通过优化多组解码器深度网络来实现数据视图和多个共享表示的同时完成。实验表明,DiMVMC 在生成高质量,多样性的多个聚类方面优于现有的同类竞争对手。
- 向量空间的符号查询:概率数据库和关系嵌入的结合
该研究借鉴概率数据库理论和算法,提出了一种新的关系嵌入模型 TO,旨在解决不完整和不确定数据上的复杂查询问题,并使用有效的推断算法,证明其具有普适性和高效性。
- 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。
- NIPS聚类变分近似用于不完整数据下连续时间贝叶斯网络结构学习
本论文提出了一种新的基于簇变分方法的连续时间贝叶斯网络近似算法,用于从不完整和嘈杂的时间序列数据中直接学习网络结构,并在可扩展性方面优于现有的方法。
- 神经网络中的缺失数据处理
我们提出了一种理论上合理的机制,通过神经网络处理缺失数据,即在第一隐藏层中将典型神经元的响应替换为它的期望值,从而实现各种类型的网络上的处理,不需要完整的数据进行训练,并且在各种不完整数据处理方法中表现出更好的结果。
- 什么是 “随机缺失”?
本研究提供了 “随机缺失” 和 “完全随机缺失” 的规范精确定义,以明确缺失机制被忽略的条件,从而在各种推理范式下获得有效推论。