論文の概要: Controllable Missingness from Uncontrollable Missingness: Joint Learning Measurement Policy and Imputation

• arxiv url: http://arxiv.org/abs/2204.03872v1
• Date: Fri, 8 Apr 2022 06:51:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-11 18:21:48.198998
• Title: Controllable Missingness from Uncontrollable Missingness: Joint Learning Measurement Policy and Imputation
• Title（参考訳）: 制御不能障害からの制御不能障害:共同学習計測とインプット
• Authors: Seongwook Yoon, Jaehyun Kim, Heejeong Lim, Sanghoon Sull
• Abstract要約: 私たちは主に、インキュベーションと呼ばれる完全なデータを取得することに重点を置いています。 2つの異なるデータセットと様々な欠落率に対して,提案アルゴリズムのバリエーションを実装した。
• 参考スコア（独自算出の注目度）: 9.826027427965354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the cost or interference of measurement, we need to control measurement system. Assuming that each variable can be measured sequentially, there exists optimal policy choosing next measurement for the former observations. Though optimal measurement policy is actually dependent on the goal of measurement, we mainly focus on retrieving complete data, so called as imputation. Also, we adapt the imputation method to missingness varying with measurement policy. However, learning measurement policy and imputation requires complete data which is impossible to be observed, unfortunately. To tackle this problem, we propose a data generation method and joint learning algorithm. The main idea is that 1) the data generation method is inherited by imputation method, and 2) the adaptation of imputation encourages measurement policy to learn more than individual learning. We implemented some variations of proposed algorithm for two different datasets and various missing rates. From the experimental results, we demonstrate that our algorithm is generally applicable and outperforms baseline methods.
• Abstract（参考訳）: 測定のコストや干渉のため、測定システムを制御する必要がある。 各変数を順次に測定できると仮定すると、前の観測で次の測定を選択できる最適なポリシーが存在する。 最適な測定方針は実際には測定の目的に依存しているが、我々は主に完全なデータを取得することに焦点を当てている。 また,測定方針によって異なる欠落に対してインプテーション法を適用する。 しかし、学習測定方針とインプテーションは、残念ながら観測できない完全なデータを必要とする。 そこで本研究では,データ生成手法と共同学習アルゴリズムを提案する。 一番の考え方は 1)データ生成方法は、計算方法により継承され、 2) インキュベーションの適応は, 個別の学習よりも, 測定政策の学習を促す。 2つの異なるデータセットと様々な欠落率に対して提案アルゴリズムのバリエーションを実装した。 実験結果から,本アルゴリズムは一般に適用可能であり,ベースライン法より優れていることを示す。

関連論文リスト

• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• Privacy Preserving Data Imputation via Multi-party Computation for Medical Applications [1.7999333451993955]
  本研究では,セキュアなマルチパーティ計算を用いた機密データに対するプライバシ保護計算手法について検討する。 患者データの保護の重要性を考慮した医療・医療分野を特に対象とする。 糖尿病データセットの実験では、プライバシ保護の計算手法の正しさが検証され、最大の誤差は10～3ドル(約3万3000円)だった。
  論文  参考訳（メタデータ） (2024-05-29T08:36:42Z)
• An unsupervised learning approach to evaluate questionnaire data -- what one can learn from violations of measurement invariance [2.4762962548352467]
  本稿では,このような研究データに対する教師なし学習に基づくアプローチを提案する。 データ準備、アンケートのクラスタリング、得られたクラスタリングと各グループの特性に基づいて類似度を測定する。 グループ間の自然な比較と、グループの応答パターンの自然な記述を提供する。
  論文  参考訳（メタデータ） (2023-12-11T11:31:41Z)
• Measurement-based Admission Control in Sliced Networks: A Best Arm Identification Approach [68.8204255655161]
  スライスされたネットワークでは、スライスの共有テナンシは、データフローの適応的な受け入れ制御を必要とする。 一定の信頼度で正しい判断を返すための共同測定・意思決定戦略を考案する。
  論文  参考訳（メタデータ） (2022-04-14T12:12:34Z)
• To Impute or not to Impute? -- Missing Data in Treatment Effect Estimation [84.76186111434818]
  我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。 本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。 私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
  論文  参考訳（メタデータ） (2022-02-04T12:08:31Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• A Novel Random Forest Dissimilarity Measure for Multi-View Learning [8.185807285320553]
  高次元低サンプルサイズ (HDLSS) の多視点分類問題に適応するために, ランダムフォレスト近接測度を変更する2つの手法を提案する。 第2の方法は、インスタンスの硬度測定に基づいており、他の最先端の測定よりもかなり正確である。
  論文  参考訳（メタデータ） (2020-07-06T07:54:52Z)
• Provably Robust Metric Learning [98.50580215125142]
  既存のメトリクス学習アルゴリズムは、ユークリッド距離よりもロバストなメトリクスをもたらすことを示す。 対向摂動に対して頑健なマハラノビス距離を求めるための新しい距離学習アルゴリズムを提案する。 実験結果から,提案アルゴリズムは証明済みの堅牢な誤りと経験的堅牢な誤りの両方を改善した。
  論文  参考訳（メタデータ） (2020-06-12T09:17:08Z)
• Neural Methods for Point-wise Dependency Estimation [129.93860669802046]
  我々は,2つの結果が共起する確率を定量的に測定する点依存度(PD)の推定に焦点をあてる。 提案手法の有効性を,1)MI推定,2)自己教師付き表現学習,3)クロスモーダル検索タスクで示す。
  論文  参考訳（メタデータ） (2020-06-09T23:26:15Z)
• Supervised Categorical Metric Learning with Schatten p-Norms [10.995886294197412]
  そこで我々は,分類データにおける計量学習の問題に対処する手法としてCPML(CPML)を提案する。 我々は、データを表すためにValue Distance Metricを使用し、この表現に基づいて新しい距離を提案する。 次に、新しいメトリクスを効率的に学習する方法を示します。
  論文  参考訳（メタデータ） (2020-02-26T01:17:12Z)

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。