利用深度生成模型重建不完整的野火数据
机器学习
2022-01-19 v1 机器学习
神经与进化计算
摘要
我们展示了为Extreme Value Analysis 2021数据挑战赛提交的方案，该竞赛要求各团队在缺失数据的时空区域内准确预测野火频率与规模的分布。为此竞赛，我们开发了强大变分自编码器模型的一个变体，称为条件缺失数据重要性加权自编码器（CMIWAE）。我们的深度潜变量生成模型几乎不需要特征工程，且不依赖于该数据挑战赛评分的具体细节。它在不完整数据上充分训练，唯一目标是最大化观测野火信息的对数似然。我们通过从变分潜变量分布中随机采样，以及集成一组在不同数据划分上训练并验证的CMIWAE模型，来缓解训练样本数相对较少的影响。所提出的方法不局限于特定领域，适用于其他以表格或类图像信息为条件、基于辅助信息的缺失数据恢复任务。
引用
@article{arxiv.2201.06153,
title = {Reconstruction of Incomplete Wildfire Data using Deep Generative Models},
author = {Tomislav Ivek and Domagoj Vlah},
journal= {arXiv preprint arXiv:2201.06153},
year = {2022}
}
备注
21 pages, 2 figures, 1 table, submitted to Extremes