論文の概要: CFMI: Flow Matching for Missing Data Imputation

• arxiv url: http://arxiv.org/abs/2506.09258v1
• Date: Tue, 10 Jun 2025 21:40:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.103043
• Title: CFMI: Flow Matching for Missing Data Imputation
• Title（参考訳）: CFMI:データインプットの欠如に対するフローマッチング
• Authors: Vaidotas Simkus, Michael U. Gutmann,
• Abstract要約: 本稿では,新しい汎用手法CFMI(Consulal Flow Match for Imputation)を提案する。 CFMIは、連続した正規化フロー、フローマッチング、共有条件モデリングを組み合わせて、従来の多重計算の難易度を扱う。
• 参考スコア（独自算出の注目度）: 6.2279613160361995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce conditional flow matching for imputation (CFMI), a new general-purpose method to impute missing data. The method combines continuous normalising flows, flow-matching, and shared conditional modelling to deal with intractabilities of traditional multiple imputation. Our comparison with nine classical and state-of-the-art imputation methods on 24 small to moderate-dimensional tabular data sets shows that CFMI matches or outperforms both traditional and modern techniques across a wide range of metrics. Applying the method to zero-shot imputation of time-series data, we find that it matches the accuracy of a related diffusion-based method while outperforming it in terms of computational efficiency. Overall, CFMI performs at least as well as traditional methods on lower-dimensional data while remaining scalable to high-dimensional settings, matching or exceeding the performance of other deep learning-based approaches, making it a go-to imputation method for a wide range of data types and dimensionalities.
• Abstract（参考訳）: 本稿では,新しい汎用手法CFMI(Consulal Flow Match for Imputation)を提案する。 この手法は, 連続正規化フロー, フローマッチング, 共用条件モデリングを組み合わせ, 従来の多重計算の難易度に対処する。 従来の9種類の古典的, 最先端の計算手法との比較から, CFMIが従来手法と近代手法の両手法に適合し, 性能に優れていたことが示唆された。 本手法を時系列データのゼロショット計算に適用することにより,関係した拡散に基づく手法の精度と一致し,計算効率に優れることがわかった。 全体として、CFMIは、低次元データに対して、少なくとも従来の方法と同様に、高次元設定にスケーラブルでありながら、他のディープラーニングベースのアプローチのパフォーマンスにマッチまたは超越している。

関連論文リスト

• Benchmarking Counterfactual Interpretability in Deep Learning Models for Time Series Classification [6.683066713491661]
  Counterfactual (CF) メソッドは、モデル予測を変更するインスタンスの最小限の変更を識別するために使用される。 大規模な研究にもかかわらず、時系列領域におけるCFメソッドの既存のベンチマークは存在しない。 本研究では,CFの望ましい特性を正確に把握するために,定量的なメトリクスを再設計する。
  論文  参考訳（メタデータ） (2024-08-22T18:17:26Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Improved Distribution Matching for Dataset Condensation [91.55972945798531]
  本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。 提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
  論文  参考訳（メタデータ） (2023-07-19T04:07:33Z)
• Multiple Imputation with Neural Network Gaussian Process for High-dimensional Incomplete Data [9.50726756006467]
  既存のメソッドにはいくつかの制限があるが、Imputationはおそらく欠落データを扱う最も一般的な方法である。 2つのNNGPに基づくMI手法、すなわちMI-NNGPを提案する。 MI-NNGP法は, 合成および実データに対して, 既存の最先端手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-11-23T20:54:26Z)
• Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
  本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。 提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
  論文  参考訳（メタデータ） (2022-04-23T02:45:55Z)
• Hybridization of Capsule and LSTM Networks for unsupervised anomaly detection on multivariate data [0.0]
  本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。 提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
  論文  参考訳（メタデータ） (2022-02-11T10:33:53Z)
• 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)

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。