利用变形真值与插补反馈的降噪自编码器多重插补
机器学习
2020-06-26 v2 统计方法学
机器学习
摘要
尽管数据可能丰富，但由于缺失列或行，完整数据却较少。这种缺失削弱了下游数据产品的性能，这些产品要么省略不完整样本，要么构造派生的完整数据以供后续处理。为充分利用并正确使用数据，需要对缺失数据进行恰当管理。我们提出一种使用降噪自编码器（Denoising Autoencoders）学习数据内部表示的多重插补模型。此外，我们利用变形真值（Metamorphic Truth）与插补反馈（Imputation Feedback）的新机制来维护属性的统计完整性并消除学习过程中的偏差。我们的方法探究了插补对各种缺失机制与缺失数据模式的影响，在许多标准测试用例中优于其他方法。
引用
@article{arxiv.2002.08338,
title = {Multiple Imputation with Denoising Autoencoder using Metamorphic Truth and Imputation Feedback},
author = {Haw-minn Lu and Giancarlo Perrone and José Unpingco},
journal= {arXiv preprint arXiv:2002.08338},
year = {2020}
}
备注
Machine Learning and Data Mining in Pattern Recognition, 16th International Conference on Machine Learning and Data Mining, MLDM 2020, Amsterdam, The Netherlands, July 20-21, 2020, Proceedings, pp. 197-208