BlockEcho：用于插值块状缺失数据的长程依赖保持方法
机器学习
2024-03-01 v1 机器学习
摘要
块状缺失数据在实际数据插值任务中提出了显著挑战。相较于分散缺失数据，块状缺失会加剧对后续分析和机器学习任务的不利影响，因为缺乏局部相邻元素显著降低了插值能力和预测能力。然而，此问题未得到充分关注。大多数SOTA矩阵完成方法效果较差，主要due于过度依赖相邻元素进行预测。我们系统性地分析了这一问题，提出一种新型矩阵完成方法“BlockEcho”以提供更全面的解决方案。该方法创造性地将矩阵分解（MF）集成到生成对抗网络（GAN）中，显式保留原始矩阵中元素之间的长距离关系。此外，我们引入额外的判别器，用于GAN，比较生成器的中间进度与预训练的MF结果，以约束高阶特征分布。随后，我们在三个领域的公开数据集上评估了BlockEcho。结果表明，在插值块状缺失数据方面，BlockEcho在性能上优于传统方法和SOTA方法，尤其在缺失率较高时表现更为突出。该优势在缺失率较高的散布式缺失数据插值中同样适用。我们还在理论上对将MF和GAN融合用于块状缺失数据的最优性和收敛性提供了依据。
引用
@article{arxiv.2402.18800,
title = {BlockEcho: Retaining Long-Range Dependencies for Imputing Block-Wise Missing Data},
author = {Qiao Han and Mingqian Li and Yao Yang and Yiteng Zhai},
journal= {arXiv preprint arXiv:2402.18800},
year = {2024}
}