用于混合类型数据离群点检测与修复的鲁棒变分自编码器
机器学习
2020-03-05 v2 机器学习
摘要
我们关注混合类型表格数据中无监督单元格离群点检测与修复问题。传统方法仅关心检测数据集中哪些行是离群点。然而，识别特定行中哪些单元格被损坏是实践中的重要问题，也是修复它们的第一步。我们引入鲁棒变分自编码器（RVAE），一种在学习干净数据联合分布的同时识别离群单元格的深度生成模型，从而允许对其插补（修复）。RVAE 显式学习每个单元格为离群点的概率，在行离群分数中平衡不同似然模型，使该方法适用于混合类型数据集中的离群点检测。我们通过实验表明，RVAE 不仅在表格数据单元格离群点检测与修复上优于多种最先进方法，而且对所初设超参数选择具有鲁棒性。
引用
@article{arxiv.1907.06671,
title = {Robust Variational Autoencoders for Outlier Detection and Repair of Mixed-Type Data},
author = {Simão Eduardo and Alfredo Nazábal and Christopher K. I. Williams and Charles Sutton},
journal= {arXiv preprint arXiv:1907.06671},
year = {2020}
}
备注
Accepted for publication at AISTATS 2020