論文の概要: Missing Data Imputation using Neural Cellular Automata

• arxiv url: http://arxiv.org/abs/2509.00651v2
• Date: Sat, 06 Sep 2025 11:04:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 12:02:46.896546
• Title: Missing Data Imputation using Neural Cellular Automata
• Title（参考訳）: ニューラルセルオートマタによる欠測データ計算
• Authors: Tin Luu, Binh Nguyen, Man Ngo,
• Abstract要約: ニューラルセルオートマタ(NCA)にインスパイアされた新しい計算法を提案する。 適切な適応によって、NAAベースのモデルが、欠落したデータ計算問題に対処できることが示される。 また,本モデルが計算誤差や計算後性能の点で最先端の手法より優れていることを示すために,いくつかの実験を行った。
• 参考スコア（独自算出の注目度）: 4.515234652925347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When working with tabular data, missingness is always one of the most painful problems. Throughout many years, researchers have continuously explored better and better ways to impute missing data. Recently, with the rapid development evolution in machine learning and deep learning, there is a new trend of leveraging generative models to solve the imputation task. While the imputing version of famous models such as Variational Autoencoders or Generative Adversarial Networks were investigated, prior work has overlooked Neural Cellular Automata (NCA), a powerful computational model. In this paper, we propose a novel imputation method that is inspired by NCA. We show that, with some appropriate adaptations, an NCA-based model is able to address the missing data imputation problem. We also provide several experiments to evidence that our model outperforms state-of-the-art methods in terms of imputation error and post-imputation performance.
• Abstract（参考訳）: 表形式のデータを扱う場合、欠落は常に最も困難な問題のひとつです。 長年にわたって、研究者は欠落したデータを解釈するより良い方法とより良い方法を継続的に研究してきた。 近年,機械学習と深層学習の急速な発展に伴い,計算課題を解決するために生成モデルを活用する新たなトレンドが生まれている。 変分オートエンコーダやジェネレーティブ・アドバーサリアル・ネットワークなどの有名なモデルの計算バージョンについて検討する一方で、従来の研究は強力な計算モデルであるニューラルセルオートマタ(NCA)を見落としていた。 本稿では,NAAにインスパイアされた新しい計算法を提案する。 適切な適応によって、NAAベースのモデルが、欠落したデータ計算問題に対処できることが示される。 また,本モデルが計算誤差や計算後性能の点で最先端の手法より優れていることを示すために,いくつかの実験を行った。

関連論文リスト

• Not Another Imputation Method: A Transformer-based Model for Missing Values in Tabular Datasets [1.02138250640885]
  NAIM(Not Another Imputation Method)は、従来の計算手法を使わずに欠落した値を扱うために設計されたトランスフォーマーベースのモデルである。 NAIMは、欠落した値を出力する必要性を回避し、利用可能なデータから効果的に学習する能力は、2つの主要な技術に依存している。 NAIMを利用可能な5つのデータセット上で広範囲に評価し、最先端の機械学習モデルと5つのディープラーニングモデルよりも優れたパフォーマンスを示した。
  論文  参考訳（メタデータ） (2024-07-16T09:43:47Z)
• Diffusion-Model-Assisted Supervised Learning of Generative Models for Density Estimation [10.793646707711442]
  本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。 スコアベース拡散モデルを用いてラベル付きデータを生成する。 ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
  論文  参考訳（メタデータ） (2023-10-22T23:56:19Z)
• Toward Physically Plausible Data-Driven Models: A Novel Neural Network Approach to Symbolic Regression [2.7071541526963805]
  本稿では,ニューラルネットワークに基づく記号回帰手法を提案する。 非常に小さなトレーニングデータセットとシステムに関する事前知識に基づいて、物理的に妥当なモデルを構築する。 本研究では,TurtleBot 2移動ロボット,磁気操作システム,2つの抵抗の等価抵抗,アンチロックブレーキシステムの長手力の4つの試験システムに対するアプローチを実験的に評価した。
  論文  参考訳（メタデータ） (2023-02-01T22:05:04Z)
• Deeply-Learned Generalized Linear Models with Missing Data [6.302686933168439]
  我々は、深く学習された一般化線形モデルの文脈において、欠測データの形式的処理を行う。 我々は、無視できないパターンと無視できないパターンの両方を柔軟に説明できる新しいアーキテクチャ、textitdlglmを提案する。 UCI Machine Learning Repositoryのバンクマーケティングデータセットのケーススタディで締めくくった。
  論文  参考訳（メタデータ） (2022-07-18T20:00:13Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• BERT WEAVER: Using WEight AVERaging to enable lifelong learning for transformer-based models in biomedical semantic search engines [49.75878234192369]
  We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。 WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
  論文  参考訳（メタデータ） (2022-02-21T10:34:41Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)
• 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)
• A Modulation Layer to Increase Neural Network Robustness Against Data Quality Issues [22.62510395932645]
  データ不足と品質は機械学習における一般的な問題であり、特に医療などの高度なアプリケーションにおいて問題となる。 本稿では、低品質データと欠落データの影響を軽減するために、ニューラルネットワークの新たな修正を提案する。 この結果から, 情報品質の低減を全接続層で明示的に考慮することにより, リアルタイムアプリケーションへの人工知能システムの展開が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-19T01:29:16Z)

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。