missing data | BriefGPT - AI 论文速递

关键词missing data

搜索结果 - 128

自适应预测缺失数据的优化
训练具有缺失条目的预测模型时，我们可以利用两阶段自适应优化问题来处理缺失数据，并提出了一种新类模型，即自适应线性回归模型，其中回归系数根据观测特征进行自适应。我们展示了一些自适应线性回归模型等价于同时学习一个填充规则和一个下游线性回归模型，
PDF5 months ago
利用替代性结果进行连续治疗效果评估
在许多实际因果推断应用中，主要结果（标签）通常部分缺失，特别是如果它们昂贵或难以收集。本文研究了替代变量在估计连续性处理效应中的作用，并提出了一种双重稳健方法，以有效地将替代变量纳入分析中，该方法使用标记和未标记数据，并不受选择偏差问题的影
PDF5 months ago
IGNITE：时间序列电子健康记录的个体化填补生成
我们提出了一个新的深度学习模型 IGNITE，利用条件双变分自编码器和双阶段注意力，在多元数据上学习了时间上的患者动态变化，生成个性化的真实值，根据个体的人口特征和治疗条件调节。我们进一步扩展了 IGNITE 的应用范围，从填补缺失值发展为
PDF6 months ago
数据库内数据填充
通过在数据库系统中使用 MICE 方法，本研究实现了高效、高质量和可扩展的数据填充，充分利用计算共享和环形抽象技术以加快模型训练并在 PostgreSQL 和 DuckDB 中取得了比其他 MICE 实现和基于模型填充技术快两个数量级的计算
PDF6 months ago
医疗时间序列的知识增强条件插补
这项研究提出了一种新颖的方法来解决多元时间序列中缺失数据的挑战，特别关注医疗数据的复杂性。我们的条件自注意力填补模型（CSAI），基于变换器框架，引入了针对医学时间序列数据的条件隐藏状态初始化。此方法与传统填补技术不同之处在于专门针对医疗数
PDF6 months ago
AAAI缺失数据的加性噪声模型下的因果结构识别
在存在自我遮蔽缺失情况下，探索从缺失数据中学习因果结构的识别问题是一项具有挑战性的任务，然而我们发现最近引入的加性噪声模型具有潜力用于解决这个问题。本研究通过扩展因果骨架的可识别范围，给出了加性噪声模型下因果方向的充分和必要的识别条件，并提
PDF6 months ago
3FM: 多模式元学习用于联邦任务
我们提出了一种面向联邦学习领域的新方法，特别关注应对模态异质性、客户端间模态可用性的差异和缺失数据的问题。我们介绍了一个专为多模态联邦任务设计的元学习框架，并通过对增强的 MNIST 数据集进行广泛的实验验证了我们提出的框架的有效性。我们的
PDF7 months ago
基于聚类和 Pix2Pix 的 MRI 扫描合成方法
研究自动分割用于磁共振成像 (MRI) 脑部扫描的遗漏数据问题，通过合成扫描图像解决数据缺失问题，并使用聚类和像素转换等多种方法进行图像合成，验证合成图像在分割过程中的有效性。
PDF7 months ago
ImputeFormer: 用于可推广的时空插补的图变换器
这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长，我们为传统的 Transformer 模型添加了三项知识驱动的增强，包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务
PDF7 months ago
用深度学习重建历史气候场
通过傅里叶卷积训练的深度学习方法，我们能够重建历史气候场景，包括大片和不规则的缺失数据区域，以及强烈的厄尔尼诺和拉尼娜事件，且效果优于统计克里金方法和其他机器学习方法。该模型可以推广到比其训练分辨率更高的级别，适用于各种气候场景，并允许填补
PDF7 months ago
打开黑匣子：利用建筑物理学洞察实现内在可解释的能源数据填补模型
建筑能源建模中经常观察到的缺失数据需要用先进的数据驱动解决方案来反映这些异常的非线性行为。本文提出了在商业建筑中使用基于物理信息的去噪自编码器 (PI-DAE) 进行缺失数据填补的方法，并通过引入物理知识到网络中实现了更可解释的预测，从而促
PDF7 months ago
使用训练标签进行填充，并通过标签填充进行分类
研究论文旨在探讨如何使用标签信息来提高缺失数据的填补，并提出了一种同时处理标签和输入数据的分类策略，该策略可适用于连续、分类或混合类型的数据，并取得了令人满意的准确性结果。
PDF7 months ago
融合还是失去：多模态基于仿真推理的深度融合
通过多模态神经后验估计（MultiNPE）方法，我们整合来自不同来源的异构数据，利用神经网络进行基于模拟的推断。通过受到注意力机制深度融合学习的启发，研究人员能够分析来自不同领域的数据，通过增加精确性来推断复杂数学模型的参数。我们为 Mul
PDF8 months ago
多视图变分自动编码器在非靶向代谢组学中的缺失值填补
本研究提出了一种新的方法，利用全基因组测序（WGS）数据和参考代谢物对未知代谢物进行插补。该方法通过多视图变分自编码器来联合建模负担得分、多基因风险得分（PGS）和连锁不平衡（LD）剪辑单核苷酸多态性（SNPs），以进行特征提取和代谢组学数
PDF9 months ago
大型语言模型是零 - shot 时间序列预测器
通过将时间序列编码为数字字符串，我们可以将时间序列预测视为文本中的下一个标记预测。我们发现，大型语言模型（LLMs）如 GPT-3 和 LLaMA-2 可以意外地在零样本外推时间序列，其性能与或超过在下游任务上训练的专用时间序列模型相当。为
PDF9 months ago
ICLRT-Rep: 利用时间嵌入进行时间序列的表示学习
多变量时间序列的自我监督学习方法 T-Rep 能够学习时间序列的表示，并提取出趋势、周期性、分布变化等时间特征。在分类、预测和异常检测任务中，T-Rep 表现优于现有的自我监督学习算法，并在处理缺失数据时表现更强韧。此外，通过潜空间可视化实
PDF9 months ago
面向较好的缺失数据建模：一种基于对比学习的可视分析视角
本研究提出了一种对待处理缺失数据的机器学习模型建模的对比学习框架，该框架通过学习不完整样本与其完整对应物之间的相似性和其他样本之间的不相似性来解决现有方法中的三个主要缺点，并引入了可解释技术来可视化学习过程和诊断模型状态，结果表明该方法在不
PDF10 months ago
缺失值处理的三元决策树
这篇论文介绍了 Trinary 决策树，一种旨在改善决策树回归器和分类器中处理缺失数据的算法。通过理论计算和使用真实数据集的数值说明，与已有算法在不同缺失数据情景（完全随机缺失（MCAR）和信息缺失（IM））中性能的比较，Trinary 决
PDF10 months ago
ICMLMissDiff：在带有缺失值的表格数据上训练扩散模型
这项工作提出了一个统一且原则性的扩散式框架，用于在各种缺失机制下从数据中学习丢失值，并通过多个制表符数据集的评估证明了其优于当前最先进的扩散模型。
PDFa year ago
基于逻辑的解释性与部分指定输入
本文研究了在部分指定输入的情况下计算基于逻辑的解释的问题，证明了最近几年提出的大多数计算逻辑解释的算法都可以推广到计算给定部分指定输入的解释，并应用于来自公共数据集的分类器，说明了许多新的可解释性用例。
PDFa year ago