基于对抗训练图卷积网络的缺失数据插补
等离子体物理
2020-04-22 v1
摘要
缺失数据插补（MDI）是许多科学学科中的基本问题。流行的 MDI 方法使用从整个数据集计算的全局统计量（例如，按特征的中位数），或构建在每单个实例上独立运行的预测模型。在本文中，我们利用图神经网络（GNNs）领域的近期工作，提出了一个更通用的 MDI 框架。我们根据图去噪自编码器来表述 MDI 任务，其中图的每条边编码两个模式之间的相似性。一个 GNN 编码器通过学习在经典投影层和邻居间局部组合信息之间交替，来为每个样本构建中间表示，而另一个解码 GNN 学习从该中间嵌入重建完整的插补数据集。为了加速训练并提升性能，我们使用多种损失的组合，包括用 Wasserstein 度量和梯度惩罚实现的对抗损失。我们还探索了对基础架构的一些扩展，涉及层间残差连接的使用，以及利用从数据集计算的全局统计量来提高精度。在大规模实验评估中，我们表明我们的方法稳健地优于最先进的 MDI 方法，尤其是在缺失值占很大比例时。
引用
@article{arxiv.1905.01906,
title = {ORB5: a global electromagnetic gyrokinetic code using the PIC approach in toroidal geometry},
author = {E. Lanti and N. Ohana and N. Tronko and T. Hayward-Schneider and A. Bottino and B. F. McMillan and A. Mishchenko and A. Scheinberg and A. Biancalani and P. Angelino and S. Brunner and J. Dominski and P. Donnel and C. Gheller and R. Hatzky and A. Jocksch and S. Jolliet and Z. X. Lu and J. P. Martin Collar and I. Novikau and E. Sonnendrücker and T. Vernay and L. Villard},
journal= {arXiv preprint arXiv:1905.01906},
year = {2020}
}