基于Wasserstein生成对抗插补网络的缺失特征重建
机器学习
2020-06-23 v1 机器学习
摘要
缺失数据是最常见的预处理问题之一。本文通过实验研究了生成式与非生成式模型在特征重建中的使用。变分自编码器任意条件化（VAEAC）与生成对抗插补网络（GAIN）作为生成式模型代表被研究，而去噪自编码器（DAE）代表非生成式模型。模型性能与传统方法k近邻（k-NN）和链式方程多重插补（MICE）进行比较。此外，我们引入WGAIN作为GAIN的Wasserstein改进，当缺失率小于或等于30%时，其被证明是最佳插补模型。实验在具有连续特征的真实与人工数据集上进行，缺失特征比例从10%到50%不等。算法评估通过测量先前在完整数据集上训练的分类模型的准确率完成。结果表明，GAIN尤其是WGAIN无论条件如何都是最佳插补器。总体上，它们优于或与MICE、k-NN、DAE和VAEAC相当。
引用
@article{arxiv.2006.11783,
title = {Missing Features Reconstruction Using a Wasserstein Generative Adversarial Imputation Network},
author = {Magda Friedjungová and Daniel Vašata and Maksym Balatsko and Marcel Jiřina},
journal= {arXiv preprint arXiv:2006.11783},
year = {2020}
}
备注
Preprint of the conference paper (ICCS 2020), part of the Lecture Notes in Computer Science