mDAE：用于缺失数据插值的修改去噪自编码器
机器学习
2024-11-21 v1 人工智能
摘要
本文提出一种基于去噪自编码器（DAE）的缺失数据插值方法。该方法称为 mDAE，源于对损失函数的修改以及选择超参数的简便程序。通过在多个 UCI Machine Learning Repository 数据集上进行消失实验，表明该修改损失函数和超完备结构在重构的均方根误差（RMSE）方面具有优势。该数值研究通过将 mDAE 方法与另外八种方法（四种标准方法和四种更近期的方法）进行比较来完成。提出一种称为 Mean Distance to Best（MDB）的准则，用于衡量方法在所有数据集上的整体表现。该准则定义为在数据集上对考虑方法的 RMSE 与最佳方法的 RMSE 之间的距离的平均值。根据该准则，mDAE 方法始终在前几名方法之中（与 SoftImput 和 missForest 同时位列），而另四种更近期的方法则系统地排在最后。该数值研究的 Python 代码将在 GitHub 上提供，以便可以复现结果或使用其他数据集和方法进行推广。
引用
@article{arxiv.2411.12847,
title = {mDAE : modified Denoising AutoEncoder for missing data imputation},
author = {Mariette Dupuy and Marie Chavent and Remi Dubois},
journal= {arXiv preprint arXiv:2411.12847},
year = {2024}
}