多视图数据中缺失值的插补

由多个不同特征集（称为视图）描述一组对象的数据被称为多视图数据。当多视图数据中出现缺失值时，一个视图中的所有特征可能会同时缺失。这可能导致非常大量的数据缺失，尤其是当与高维性结合时，会使条件插补方法的应用在计算上变得不可行。然而，可以利用多视图结构来降低插补的复杂性和计算负荷。我们引入了一种基于现有堆叠惩罚逻辑回归（StaPLR）算法的新插补方法，用于多视图学习。它在降维空间中进行插补，以解决多视图环境固有的计算挑战。我们在模拟数据集和真实数据应用中比较了新插补方法与几种现有插补算法的性能。结果表明，新插补方法以低得多的计算成本获得了具有竞争力的结果，并使得 missForest 和预测均值匹配等高级插补算法在原本计算上不可行的环境中得以使用。