从图狄利克雷能量视角看数据插补
机器学习
2024-07-31 v2
摘要
由于缺失数据的广泛存在，数据插补是一项关键任务。许多方法采用两步法：先制作初步插补（“草稿”），再对其进行精炼以产生最终缺失数据插补结果，通常称为“先草稿后精炼”。在我们的研究中，我们通过图狄利克雷能量的视角审视这一普遍策略。我们观察到基础的“草稿”插补倾向于降低狄利克雷能量。因此，后续的“精炼”步骤对于恢复整体能量平衡是必要的。现有的精炼技术，如Graph Convolutional Network（GCN），常导致能量进一步降低。为此，我们引入一个新框架，即Graph Laplacian Pyramid Network（GLPN）。GLPN结合U形自编码器与残差网络，以有效捕捉全局与局部细节。通过在多个真实世界数据集上的大量实验，GLPN在三种不同缺失数据机制下始终优于最先进的方法。代码见 https://github.com/liguanlue/GLPN。
引用
@article{arxiv.2304.04474,
title = {Data Imputation from the Perspective of Graph Dirichlet Energy},
author = {Weiqi Zhang and Guanlue Li and Jianheng Tang and Jia Li and Fugee Tsung},
journal= {arXiv preprint arXiv:2304.04474},
year = {2024}
}
备注
11 pages, 5 figures