論文の概要: FILLER: Feature Imputation via Latent Location Exploration and Retrieval

• arxiv url: http://arxiv.org/abs/2607.23295v1
• Date: Sat, 25 Jul 2026 17:10:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.054743
• Title: FILLER: Feature Imputation via Latent Location Exploration and Retrieval
• Title（参考訳）: FILLER: 潜在位置探索と検索による特徴計算
• Abstract要約: 本研究では,FILLERと呼ばれる特徴量計算手法を提案し,生成モデルによって生成された2次元潜在空間を探索し,不足した値を適切なエントリで埋める。 生成モデルは、完全に観測されたデータに基づいてトレーニングされ、潜在空間からサンプルを生成する。 FILLERは、様々なレベルの計算複雑性を持つランダムで構造化された欠失パターンの下で、いくつかの画像データセットで評価されている。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In real-world machine learning applications, incomplete observations create a fundamental challenge. Researchers have come up with several ideas to address this crucial problem. However, current models still face challenges in balancing scalability and structural consistency. This study proposes a feature imputation method, called FILLER, that deliberately searches the two-dimensional latent space produced by a generative model and fills the missing values with appropriate entries. The generative model is trained on fully observed data to generate samples from the latent space, and FILLER uses this trained model to impute the values missing in the corrupted test samples. In this study, G-NeuroDAVIS serves the purpose of the generative model. This work also presents a mathematical proof on the convergence of the iterative search. Finally, FILLER has been evaluated on several image datasets under random and structured missingness patterns with varying levels of imputation complexities. In order to justify the efficacy of FILLER, it has been compared against existing state-of-the-art solution strategies in terms of RMSE, PSNR, and SSIM. In addition, Wilcoxon signed-rank test has been carried out to validate statistical significance. Moreover, downstream analyses (classification and clustering) have also established the quality of imputation in terms of standard metrics.
• Abstract（参考訳）: 現実世界の機械学習アプリケーションでは、不完全な観察が根本的な課題を生み出します。 研究者たちは、この決定的な問題に対処するいくつかのアイデアを思いついた。 しかしながら、現在のモデルは、スケーラビリティと構造的な一貫性のバランスをとる上で、依然として課題に直面している。 本研究では,FILLERと呼ばれる特徴量計算手法を提案し,生成モデルで生成した2次元潜在空間を意図的に探索し,欠落した値を適切なエントリで埋める。 生成モデルは、完全に観測されたデータに基づいてトレーニングされ、潜在空間からサンプルを生成する。 本研究では,G-NeuroDAVISを生成モデルとして用いた。 この研究は反復探索の収束に関する数学的証明も提示する。 最後に、FILLERはいくつかの画像データセットに対して、様々なレベルの計算複雑性を持つランダムで構造化された欠失パターンで評価されている。 FILLERの有効性を正当化するために、RMSE、PSNR、SSIMといった既存の最先端ソリューション戦略と比較された。 さらに、統計的意義を検証するためにウィルコクソン符号ランク試験が実施されている。 さらに、ダウンストリーム分析(分類とクラスタリング)もまた、標準メトリクスの観点で計算の質を確立している。

関連論文リスト

• Deep Generalised Mixed Models: a Novel Neural Network Structure for Analysing Hierarchical Data [0.0]
  ESMデータを解析する現在の手順は、様々な課題に直面している。 機械学習の手順は、不足によって引き起こされる選択バイアスによってバイアスのある結果を与えることができる。 我々は、これらの課題を克服するために、混合効果モデルをディープラーニングに一般化する新しいニューラルネットワークアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2026-08-06T11:59:30Z)
• Informative Perturbation Selection for Uncertainty-Aware Post-hoc Explanations [7.226144684379189]
  信頼と倫理的な懸念は、不透明な機械学習(ML)モデルが広く展開することによるものであり、信頼性のあるモデル説明の必要性を動機付けている。 ポストホックモデルに依存しない説明法は、興味のあるサンプルの局所性においてデプロイされたブラックボックスMLモデルの振る舞いを近似する代理モデルを学ぶことでこの問題に対処する。 本稿では,情報理論の積極的学習問題として摂動選択を定式化する,ポストホックモデルに依存しない説明フレームワークであるemphExpected Active Gain for Local Explanations (textttEAGLE)を提案する。
  論文  参考訳（メタデータ） (2026-03-16T06:48:56Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• 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)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Still More Shades of Null: An Evaluation Suite for Responsible Missing Value Imputation [7.620967781722717]
  本稿では,有意な値計算を行うための評価スイートであるShades-of-Nullを紹介する。 我々はShades-of-Nullを使って29,736の実験パイプラインを含む大規模な実験を行った。
  論文  参考訳（メタデータ） (2024-09-11T17:58:39Z)
• Predictive Analytics of Varieties of Potatoes [2.336821989135698]
  本研究では, 育種試験におけるサツマイモクローンの選択プロセスの向上を目的とした, 機械学習アルゴリズムの適用について検討する。 本研究は, 高収率, 耐病性, 耐気候性ポテト品種を効率的に同定することの課題に対処する。
  論文  参考訳（メタデータ） (2024-04-04T00:49:05Z)
• Latent variable model for high-dimensional point process with structured missingness [4.451479907610764]
  縦断データは医療、社会学、地震学など多くの分野で重要である。 実世界のデータセットは高次元であり、構造化された欠陥パターンを含み、測定時間ポイントは未知のプロセスによって管理される。 これらの制限に対処可能な、柔軟で効率的な潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-08T15:41:48Z)
• Characterization and Greedy Learning of Gaussian Structural Causal Models under Unknown Interventions [4.993565079216378]
  我々は、GnIESと呼ばれる欲求アルゴリズムを用いて、介入対象の知識のないデータ生成モデルの等価クラスを復元する。 さらに,本論文では,半合成データセットを未知の因果基底真理で生成する手法を開発した。
  論文  参考訳（メタデータ） (2022-11-27T17:37:21Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Exposing Shallow Heuristics of Relation Extraction Models with Challenge Data [49.378860065474875]
  我々は、TACREDで訓練されたSOTA関係抽出(RE)モデルの故障モードを同定する。 トレーニングの例として、いくつかの課題データを追加することで、モデルのパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2020-10-07T21:17:25Z)

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。