論文の概要: Missing Pattern Recognized Diffusion Imputation Model for Missing Not At Random

• arxiv url: http://arxiv.org/abs/2605.25439v1
• Date: Mon, 25 May 2026 05:29:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.326074
• Title: Missing Pattern Recognized Diffusion Imputation Model for Missing Not At Random
• Title（参考訳）: ランダムに欠落しない場合の拡散インプットモデルにおける欠落パターン認識
• Authors: Gyuwon Sim, Sumin Lee, Heesun Bae, Byeonghu Na, Doyun Kwon, Ju-Hee Hwang, Jae-Young Lim, Il-Chul Moon,
• Abstract要約: ミスパターン認識拡散計算モデル(PRDIM)について紹介する。 PRDIMは欠落したパターンをキャプチャし、観測されていない値を正確に暗示する。 我々は, PRDIM が MNAR 設定下での強い計算性能を一貫して達成できることを実証した。
• 参考スコア（独自算出の注目度）: 26.07283859053491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Missing data frequently arises across diverse domains, including time-series and image domains. In the real world, missing occurrences often depend on the unobservable values themselves, which are referred to as Missing Not at Random (MNAR). In this work, we introduce the Missing Pattern Recognized Diffusion Imputation Model (PRDIM), a novel framework that explicitly captures the missing pattern and precisely imputes unobserved values. PRDIM iteratively maximizes the likelihood of the joint distribution for observed values and missing mask under an Expectation-Maximization (EM) algorithm. In this sense, we first employ a pattern recognizer, which approximates the underlying missing pattern and provides guidance during every inference toward more plausible imputations with respect to the missing information. Through extensive experiments, we demonstrate that PRDIM consistently achieves strong imputation performance under MNAR settings across multiple data modalities.
• Abstract（参考訳）: データの欠落は、時系列や画像ドメインなど、さまざまな領域にまたがって発生することが多い。 現実の世界では、欠落は観測不可能な値そのものに依存し、MNAR(Missing Not at Random)と呼ばれる。 本研究では,欠落したパターンを明示的に捕捉し,未観測値を正確に解釈する新しいフレームワークであるMissing Pattern Recognized Diffusion Imputation Model (PRDIM)を紹介する。 PRDIMは、期待最大化(EM)アルゴリズムの下で、観測値と欠損マスクの関節分布の確率を反復的に最大化する。 この意味において、我々はまずパターン認識器を使用し、このパターンは、基礎となる欠落したパターンを近似し、欠落した情報に対して、より妥当な解釈を行うための全ての推論の間にガイダンスを提供する。 広汎な実験により、PRDIMは複数のデータモダリティをまたいだMNAR設定下での強い計算性能を一貫して達成することを示した。

関連論文リスト

• 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)
• Recursive Equations For Imputation Of Missing Not At Random Data With Sparse Pattern Support [8.863778901027061]
  データ分析パイプラインで欠落した値を処理するための一般的なアプローチは、ソフトウェアパッケージによる複数の命令である。 我々は、欠落したデータのグラフィカルモデルにおける全データ法則の新たな特徴付けを開発する。 MISPRは、データがMARの場合、MICEに匹敵する結果を得るが、MNARの場合、より優れ、バイアスの少ない結果が得られる。
  論文  参考訳（メタデータ） (2025-07-21T23:18:36Z)
• Ranked from Within: Ranking Large Multimodal Models Without Labels [73.96543593298426]
  ソフトマックス分布から導かれる不確実性スコアは,様々なタスクにまたがるランキングモデルに対して,ロバストな基礎となることを示す。 これにより、ラベルのないデータに対するLMMのランク付けが容易になり、手動のアノテーションを必要とせずに、多様なターゲットドメインのモデルを選択するための実践的なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-12-09T13:05:43Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• 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)
• Deep Generative Imputation Model for Missing Not At Random Data [13.56794299885683]
  我々は、潜伏空間における現実の欠落メカニズムを処理するために、GNRと呼ばれる深い生成的計算モデルを利用する。 実験の結果,GNRは最先端のMNARベースラインをはるかに超え,有意なマージンを有することが明らかとなった。
  論文  参考訳（メタデータ） (2023-08-16T06:01:12Z)
• Learning Hidden Markov Models When the Locations of Missing Observations are Unknown [54.40592050737724]
  本研究では、未知の観測位置を持つデータからHMMを学習する際の一般的な問題について考察する。 我々は、下層の鎖の構造に関する仮定を一切必要としない再構成アルゴリズムを提供する。 適切な仕様の下では、プロセスのダイナミクスを再構築でき、また、見当たらない観測位置が分かっていたとしても、その有効性を示す。
  論文  参考訳（メタデータ） (2022-03-12T22:40:43Z)
• Model-based Clustering with Missing Not At Random Data [0.8777702580252754]
  我々は,MNARデータを含む,非常に一般的なタイプの欠落データを扱うために設計されたモデルベースのクラスタリングアルゴリズムを提案する。 いくつかのMNARモデルについて議論し、不足の原因は、欠落変数自体の値とクラスメンバーシップの両方に依存する。 MNARzと呼ばれる特定のMNARモデルに注目する。
  論文  参考訳（メタデータ） (2021-12-20T09:52:12Z)
• Identifiable Generative Models for Missing Not at Random Data Imputation [13.790820495804567]
  多くの計算法は、MNARデータが存在する場合、その欠如を考慮に入れない。 本研究では,MNARにおける生成モデルの識別可能性について検討する。 軽微な仮定の下で識別可能性を保証する実用的な深層生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:51:38Z)
• NeuMiss networks: differentiable programming for supervised learning with missing values [0.0]
  線形性仮定の下で最適予測器の解析形式を導出する。 我々はNeuMissネットワークという新しい原則アーキテクチャを提案する。 パラメータの数と、欠落したデータパターンの数に依存しない計算複雑性の両方で、予測精度が良い。
  論文  参考訳（メタデータ） (2020-07-03T11:42:25Z)

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。