論文の概要: Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation

• arxiv url: http://arxiv.org/abs/2609.15284v1
• Date: Mon, 14 Sep 2026 09:39:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.210981
• Title: Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation
• Title（参考訳）: Impute-EM:不均一データインプットのためのネイティブ混合状態拡散モデル
• Abstract要約: Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
• 参考スコア（独自算出の注目度）: 71.74203645336385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Missing values are ubiquitous in heterogeneous data mining, where numerical, categorical, and binary variables often coexist. Many imputation methods, especially diffusion-based ones, treat discrete variables through continuous surrogates such as one-hot relaxations rather than modeling them natively. This creates a mismatch between the model state space and the mixed discrete and continuous structure of the data. We propose Impute-EM, an Expectation Maximization style framework that alternates between imputing missing entries with the current model and refitting a diffusion backbone on completed data. We instantiate Impute-EM with native mixed-state diffusion backbones for heterogeneous data, combining Gaussian and masked categorical components without one-hot relaxations. In exact settings, we characterize the update and show that the observed mask-indexed marginals match the targets at the limit, while making explicit that the full data distribution is generally non-identifiable from incomplete observations alone. Empirically, Impute-EM delivers the best distributional fidelity on mixed-type tabular imputation, on which downstream modeling relies, with text imputation serving as a controlled validation of the native discrete backbone.
• Abstract（参考訳）: 欠落値は不均一なデータマイニングにおいてユビキタスであり、数値、カテゴリー、バイナリ変数はしばしば共存する。 多くの計算法、特に拡散に基づく手法は、自然にモデル化するのではなく、一点緩和のような連続的な代理を通して離散変数を扱います。 これにより、モデル状態空間とデータの離散的かつ連続的な構造とのミスマッチが生成される。 提案するImpute-EMは期待最大化方式のフレームワークで,既存のモデルに欠落したエントリを入力し,完了したデータに拡散バックボーンを書き換える。 不均一なデータに対してImpute-EMとネイティブ混合状態拡散バックボーンをインスタンス化し、ガウス成分とマスク成分を1ホット緩和なしで組み合わせた。 正確な設定では、この更新を特徴付け、観測されたマスクインデクシングされた限界値が目標値に一致することを示すとともに、完全なデータ分布が不完全な観測だけでは一般的には識別できないことを明示する。 実証的に、Impute-EMは、ダウンストリームモデリングが依存する混合型の表層インプットに最適な分布フィディティを提供し、テキストインプットはネイティブな離散バックボーンの制御されたバリデーションとして機能する。

関連論文リスト

• Missing Data Imputation under Manifold Hypothesis [0.0]
  多様体仮説は、高次元データが低次元の埋め込み多様体の近くに集中していることを仮定する。 混合変分オートエンコーダ(VAE)の最近の進歩は、そのような基盤構造を忠実に抽出する強力なツールを提供する。 本稿では, (p(bmx_mathrmmismid bmx_mathrmobs) からのサンプリングをサンプリング・イパタンス・リサンプリング(SIR)法により行うことができるモデルベース計算法を提案する。
  論文  参考訳（メタデータ） (2026-07-03T23:42:33Z)
• Uniform Diffusion Models Revisited: Leave-One-Out Denoiser and Absorbing State Reformulation [72.05592785529404]
  UDMの標準プラグインブリッジパラメタライゼーションは,後側頭蓋に最適化されないことを示す。 また,UDM関節法をマスク拡散様サンプリング操作に分解して保存する均一拡散の吸収状態再構成も導入した。
  論文  参考訳（メタデータ） (2026-05-21T17:27:19Z)
• Interpolating Discrete Diffusion Models with Controllable Resampling [49.771004594828405]
  仮面拡散モデルは初期解凍による不可逆誤差に悩まされる。 自己補正が可能であるにもかかわらず、一様拡散モデルは、しばしば低品質のサンプルを生成する。 本稿では,中間潜伏状態への依存を減らすことで拡散を改善する補間離散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2026-04-19T07:55:57Z)
• MissHDD: Hybrid Deterministic Diffusion for Hetrogeneous Incomplete Data Imputation [4.935498694293104]
  異種特徴を2つの相補的生成チャネルに分離するハイブリッド決定論的拡散フレームワークを提案する。 DDIMに基づく連続チャネルは、数値変数に対して効率的で安定な決定論的記述を提供する。 ループホリングに基づく離散拡散にインスパイアされた離散潜在経路拡散チャネルは、有効なサンプルを残さずにカテゴリー的および離散的特徴をモデル化する。 2つのチャネルは、統一された条件計算目的の下で訓練され、混合型不完全データのコヒーレントな再構成を可能にする。
  論文  参考訳（メタデータ） (2025-11-18T14:44:49Z)
• Authentic Discrete Diffusion Model [72.31371542619121]
  認証離散拡散(ADD)フレームワークは、従来の擬似離散的アプローチを再定義する。 ADDはフロートエンコードされたワンホットクラスデータを直接使用して拡散入力を再構成する。 実験により、ADDはベースラインと比較して分類タスクにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-10-01T15:51:10Z)
• Latent Space Score-based Diffusion Model for Probabilistic Multivariate Time Series Imputation [6.9295879301090535]
  確率的時系列計算のための遅延空間スコアベース拡散モデル(LSSDM)を提案する。 LSSDMは、計算機構のより良い説明と不確実性解析を提供しながら、優れた計算性能を実現する。
  論文  参考訳（メタデータ） (2024-09-13T15:32:26Z)
• Generative inpainting of incomplete Euclidean distance matrices of trajectories generated by a fractional Brownian motion [46.1232919707345]
  フラクショナルブラウン運動(fBm)はランダム性と強いスケールフリーの相関を特徴とする。 本稿では, 劣化した画像の特定のデータセット上で, 拡散に基づく塗布方法の動物園について検討する。 条件拡散生成は、異なるメモリ状態におけるfBmパスの組込み相関を容易に再現する。
  論文  参考訳（メタデータ） (2024-04-10T14:22:16Z)
• MissDiff: Training Diffusion Models on Tabular Data with Missing Values [29.894691645801597]
  この研究は、欠落した値を持つデータから学習するための統一的で原則化された拡散ベースのフレームワークを示す。 まず、広く採用されている「インプット・ザ・ジェネレーション」パイプラインが、バイアスのある学習目標に繋がる可能性があることを観察する。 提案手法は,データ分布のスコアの学習に一貫性があることを証明し,提案手法は特定の場合において負の確率の上限として機能する。
  論文  参考訳（メタデータ） (2023-07-02T03:49:47Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)

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。