論文の概要: HMVI: Unifying Heterogeneous Attributes with Natural Neighbors for Missing Value Inference

• arxiv url: http://arxiv.org/abs/2601.05017v1
• Date: Thu, 08 Jan 2026 15:18:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.249781
• Title: HMVI: Unifying Heterogeneous Attributes with Natural Neighbors for Missing Value Inference
• Title（参考訳）: HMVI:不均一属性を自然近傍に統一して値推論を欠く
• Authors: Xiaopeng Luo, Zexi Tan, Zhuowei Wang,
• Abstract要約: 現在の計算法は、不均一な特徴間の重要な相互依存性を見越して、数値的および分類的特性を独立に扱う。 統一されたフレームワーク内で、クロスタイプな機能依存を明示的にモデル化する新しい計算手法を提案する。
• 参考スコア（独自算出の注目度）: 1.0577954299884882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Missing value imputation is a fundamental challenge in machine intelligence, heavily dependent on data completeness. Current imputation methods often handle numerical and categorical attributes independently, overlooking critical interdependencies among heterogeneous features. To address these limitations, we propose a novel imputation approach that explicitly models cross-type feature dependencies within a unified framework. Our method leverages both complete and incomplete instances to ensure accurate and consistent imputation in tabular data. Extensive experimental results demonstrate that the proposed approach achieves superior performance over existing techniques and significantly enhances downstream machine learning tasks, providing a robust solution for real-world systems with missing data.
• Abstract（参考訳）: 価値計算の欠如は、マシンインテリジェンスにおける根本的な課題であり、データの完全性に大きく依存している。 現在の計算法は、不均一な特徴間の重要な相互依存性を見越して、数値的および分類的特性を独立に扱うことが多い。 これらの制約に対処するため、統一フレームワーク内のクロスタイプ機能依存を明示的にモデル化する新しい計算手法を提案する。 本手法は,完全および不完全の両方のインスタンスを利用して,表データの正確かつ一貫した計算を行う。 大規模な実験結果から,提案手法は既存の手法よりも優れた性能を実現し,下流の機械学習タスクを大幅に強化し,データ不足の現実システムに対して堅牢なソリューションを提供することが示された。

関連論文リスト

• Simple Yet Effective Selective Imputation for Incomplete Multi-view Clustering [30.6002437648244]
  Informativeness-based Selective Imputation Multi-View Clustering (ISMVC)を提案する。 本手法は,視線内類似度と視線間整合性に基づいて,視線内類似度と視線間整合度に基づいて,視線各位置の計算関連情報量を評価する。 トレーニングダイナミクスやモデルフィードバックに依存する既存の慎重な計算戦略と比較して、我々の手法は軽量で、データ駆動で、モデルに依存しない。
  論文  参考訳（メタデータ） (2025-12-11T06:22:23Z)
• FDRMFL:Multi-modal Federated Feature Extraction Model Based on Information Maximization and Contrastive Learning [4.453671369861554]
  本研究では,マルチモーダルデータ回帰における特徴抽出問題に焦点をあてる。 実世界のシナリオでは、制限と非IIDデータ、マルチモーダル情報の効果的な抽出と融合、モデル学習における破滅的な忘れ込みへの感受性の3つの課題に対処する。
  論文  参考訳（メタデータ） (2025-11-30T17:13:35Z)
• MIBP-Cert: Certified Training against Data Perturbations with Mixed-Integer Bilinear Programs [50.41998220099097]
  トレーニング中のデータエラー、汚職、中毒攻撃は、現代のAIシステムの信頼性に大きな脅威をもたらす。 混合整数双線形プログラミング(MIBP)に基づく新しい認証手法MIBP-Certを紹介する。 摂動データや操作データを通じて到達可能なパラメータの集合を計算することで、可能なすべての結果を予測することができ、堅牢性を保証することができる。
  論文  参考訳（メタデータ） (2024-12-13T14:56:39Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• 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)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)
• Generative Partial Visual-Tactile Fused Object Clustering [81.17645983141773]
  オブジェクトクラスタリングのためのGenerative Partial Visual-Tactile Fused(GPVTF)フレームワークを提案する。 条件付きクロスモーダルクラスタリング生成逆ネットワークを開発し、一方のモダリティ条件を他方のモダリティ上で合成する。 最後に、擬似ラベルに基づく2つのKL分割損失を用いて、対応するモダリティ固有エンコーダを更新する。
  論文  参考訳（メタデータ） (2020-12-28T02:37:03Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。