論文の概要: Generative Conditional Missing Imputation Networks

• arxiv url: http://arxiv.org/abs/2601.00517v1
• Date: Fri, 02 Jan 2026 00:39:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.490422
• Title: Generative Conditional Missing Imputation Networks
• Title（参考訳）: 生成条件ミス計算ネットワーク
• Authors: George Sun, Yi-Hui Zhou,
• Abstract要約: データセットに欠落した値を暗示するために設計された、洗練された生成条件戦略を導入する。 具体的には,GCMI(Generative Conditional Missing Imputation Networks)の理論的基盤を明らかにする。 我々は、連鎖方程式アプローチを用いて複数の計算フレームワークを統合することにより、GCMIの堅牢性と精度を高める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this study, we introduce a sophisticated generative conditional strategy designed to impute missing values within datasets, an area of considerable importance in statistical analysis. Specifically, we initially elucidate the theoretical underpinnings of the Generative Conditional Missing Imputation Networks (GCMI), demonstrating its robust properties in the context of the Missing Completely at Random (MCAR) and the Missing at Random (MAR) mechanisms. Subsequently, we enhance the robustness and accuracy of GCMI by integrating a multiple imputation framework using a chained equations approach. This innovation serves to bolster model stability and improve imputation performance significantly. Finally, through a series of meticulous simulations and empirical assessments utilizing benchmark datasets, we establish the superior efficacy of our proposed methods when juxtaposed with other leading imputation techniques currently available. This comprehensive evaluation not only underscores the practicality of GCMI but also affirms its potential as a leading-edge tool in the field of statistical data analysis.
• Abstract（参考訳）: 本研究では,統計的分析において重要な領域であるデータセット内の欠落値を示唆する高度な生成条件戦略を提案する。 具体的には、まず、GCMI(Generative Conditional Missing Imputation Networks)の理論的基盤を解明し、MAR(Missing Completely at Random)とMAR(Missing at Random)メカニズムの文脈でその堅牢性を実証した。 その後、連鎖方程式アプローチを用いて複数の計算フレームワークを統合することにより、GCMIの堅牢性と精度を向上させる。 この革新はモデルの安定性を高め、計算性能を大幅に向上させるのに役立つ。 最後に,ベンチマークデータセットを用いた一連の巧妙なシミュレーションと経験的評価により,現在利用可能な他の主要な計算手法を併用した場合に,提案手法の優れた有効性を確立する。 この包括的評価は、GCMIの実用性だけでなく、統計データ分析の分野における最先端ツールとしての可能性を裏付けるものである。

関連論文リスト

• Deep Survival Analysis for Competing Risk Modeling with Functional Covariates and Missing Data Imputation [13.108896747775063]
  本稿では、競合リスク下での離散時間生存分析のための統合ディープラーニングフレームワークFCRNを紹介する。 関数データ表現のためのマイクロネットワークバス層と勾配ベースの計算モジュールを組み合わせることで、FCRNは、欠落した値をインプットし、イベント固有のハザードを予測することを同時に学習する。
  論文  参考訳（メタデータ） (2025-09-29T18:33:00Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• MIRRAMS: Learning Robust Tabular Models under Unseen Missingness Shifts [2.5357049657770516]
  欠落した値はしばしばデータ収集ポリシーのバリエーションを反映し、時間や場所によって変化することがある。 このようなトレーニングとテストインプットの間の不足分布の変化は、堅牢な予測性能を達成する上で大きな課題となる。 この課題に対処するために設計された,新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-11T03:03:30Z)
• Integrated Analysis for Electronic Health Records with Structured and Sporadic Missingness [14.824094401799556]
  本稿では電子健康記録(EHR)に適した新しい計算法を提案する。 これらのギャップに対処することにより、本手法は、分析の統合、データ有用性の向上、および人口健康の理解を促進するための実用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-06-10T19:59:49Z)
• Model-agnostic Mitigation Strategies of Data Imbalance for Regression [0.0]
  データ不均衡は、回帰タスクにおいて広範囲にわたる課題として持続し、モデルパフォーマンスのバイアスを導入し、予測信頼性を損なう。 既存のサンプリング手法を構築・改善する高度な緩和手法を提案する。 モデルのアンサンブル(不均衡緩和で訓練されたモデルと、非バランスで訓練されたモデル)の構築は、これらの負の効果を著しく減少させることを実証する。
  論文  参考訳（メタデータ） (2025-06-02T09:46:08Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)

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。