基于深度层次模型与哈密顿蒙特卡洛的缺失数据插补与采集
机器学习
2022-12-23 v5 机器学习
摘要
变分自编码器（VAEs）近来在异质缺失数据的插补与采集方面取得了高度成功。然而，在这一特定应用领域中，现有的 VAE 方法受限于仅使用单层潜变量以及严格的高斯后验近似。为克服这些局限，我们提出 HH-VAEM，一种面向混合类型不完整数据的层次化 VAE 模型，其利用带自动超参数调优的哈密顿蒙特卡洛来改进近似推断。我们的实验表明，HH-VAEM 在缺失数据插补与带缺失特征的有监督学习任务上优于现有基线。最后，我们还提出了一种基于采样的方法，用于高效计算在利用 HH-VAEM 采集缺失特征时的信息增益。我们的实验表明，该基于采样的方法优于基于高斯近似的替代方案。
引用
@article{arxiv.2202.04599,
title = {Missing Data Imputation and Acquisition with Deep Hierarchical Models and Hamiltonian Monte Carlo},
author = {Ignacio Peis and Chao Ma and José Miguel Hernández-Lobato},
journal= {arXiv preprint arXiv:2202.04599},
year = {2022}
}
备注
Published at NeurIPS 2022