論文の概要: IFGAN: Missing Value Imputation using Feature-specific Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2012.12581v1
• Date: Wed, 23 Dec 2020 10:14:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 18:19:15.787201
• Title: IFGAN: Missing Value Imputation using Feature-specific Generative Adversarial Networks
• Title（参考訳）: IFGAN:特徴固有生成逆数ネットワークを用いた値計算の欠如
• Authors: Wei Qiu, Yangsibo Huang, Quanzheng Li
• Abstract要約: 本論文では,GAN(Feature-specific Generative Adversarial Networks)に基づく欠落値インピーダンスアルゴリズムIFGANを提案する。 特徴特異的生成器は欠落した値を誘発するように訓練され、判別器は観測された値と区別することが期待される。 IFGANは、様々な不足条件下で、現在の最先端アルゴリズムよりも優れている実生活データセットを実証的に示す。
• 参考スコア（独自算出の注目度）: 14.714106979097222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Missing value imputation is a challenging and well-researched topic in data mining. In this paper, we propose IFGAN, a missing value imputation algorithm based on Feature-specific Generative Adversarial Networks (GAN). Our idea is intuitive yet effective: a feature-specific generator is trained to impute missing values, while a discriminator is expected to distinguish the imputed values from observed ones. The proposed architecture is capable of handling different data types, data distributions, missing mechanisms, and missing rates. It also improves post-imputation analysis by preserving inter-feature correlations. We empirically show on several real-life datasets that IFGAN outperforms current state-of-the-art algorithm under various missing conditions.
• Abstract（参考訳）: データマイニングにおいて、価値計算の欠如は困難でよく研究されているトピックである。 本稿では,特徴特異的生成型逆ネットワーク(gan)に基づく欠落値インプテーションアルゴリズムifganを提案する。 特徴固有のジェネレータは、欠落した値をインプットするように訓練され、識別器は、インプットされた値と観察された値とを区別することが期待される。 提案したアーキテクチャは、さまざまなデータタイプ、データ分散、欠落メカニズム、欠落率を扱うことができる。 また、機能間相関を保ち、インプット後の分析を改善する。 IFGANは、様々な不足条件下で現在の最先端アルゴリズムより優れている実生活データセットを実証的に示す。

関連論文リスト

• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• Multiple Imputation via Generative Adversarial Network for High-dimensional Blockwise Missing Value Problems [6.123324869194195]
  本稿では,GAN(Generative Adversarial Network)による多重インプットを提案する。 MI-GANは、高次元データセット上で既存の最先端計算手法と高い性能を示す。 特に、MI-GANは統計的推測と計算速度の点で他の計算方法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-21T20:19:37Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Riemannian classification of EEG signals with missing values [67.90148548467762]
  本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。 第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。 その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
  論文  参考訳（メタデータ） (2021-10-19T14:24:50Z)
• Categorical EHR Imputation with Generative Adversarial Nets [11.171712535005357]
  本稿では,データ計算のためのGANに関する従来の研究を基にした,シンプルで効果的な手法を提案する。 従来のデータ計算手法に比べて予測精度が大幅に向上していることを示す。
  論文  参考訳（メタデータ） (2021-08-03T18:50:26Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Imputation of Missing Data with Class Imbalance using Conditional Generative Adversarial Networks [24.075691766743702]
  そこで本研究では,そのクラス固有の特徴に基づいて,欠落したデータを出力する新しい手法を提案する。 CGAIN(Con Conditional Generative Adversarial Imputation Network)は、クラス固有の分布を用いて、欠落したデータをインプットする。 提案手法をベンチマークデータセットで検証し,最先端の計算手法や一般的な計算手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2020-12-01T02:26:54Z)
• PC-GAIN: Pseudo-label Conditional Generative Adversarial Imputation Networks for Incomplete Data [19.952411963344556]
  PC-GAIN(PC-GAIN)は、PC-GAIN(PC-GAIN)と呼ばれる新しい教師なしデータ計算法である。 まず,低損失率データのサブセットに含まれる潜在的なカテゴリ情報を学習するための事前学習手順を提案する。 そして、合成擬似ラベルを用いて補助分類器を決定する。
  論文  参考訳（メタデータ） (2020-11-16T08:08:26Z)
• Missing Features Reconstruction Using a Wasserstein Generative Adversarial Imputation Network [0.0]
  特徴再構成における生成モデルと非生成モデルの使用について実験的に検討した。 任意条件付き生成オートエンコーダ(VAEAC)とGAIN(Generative Adversarial Imputation Network)を生成モデルの代表として研究した。 WGAIN を GAIN のワッサースタイン修飾法として導入し,欠損度が 30% 以下である場合に最も優れた計算モデルであることが判明した。
  論文  参考訳（メタデータ） (2020-06-21T11:53:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。