面向分组数据的同步缺失值填补与结构学习方法
机器学习
2022-02-25 v2
摘要
从含缺失值的数据中学习变量组之间的结构在现实世界中是一项重要但难以解决的任务。一个典型场景是在教育领域中发现主题之间的结构以识别学习路径。此处，观测值是每个主题下问题的学生表现，其中包含缺失值。然而，大多数现有方法关注于从完整数据中学习少数几个独立变量之间的结构。在本工作中，我们提出 VISL，一种新颖的可扩展结构学习方法，能够在缺失数据下同时推断变量组之间的结构，并利用深度学习进行缺失值填补。特别地，我们提出了一个具有结构化潜空间以及基于图神经网络架构的生成模型，可扩展至大量变量。在实验上，我们在合成、半合成和真实世界教育数据集上进行了广泛的实验。相比流行和近期的方法，我们在填补和结构学习准确率上均展示了更优的性能。
引用
@article{arxiv.2110.08223,
title = {Simultaneous Missing Value Imputation and Structure Learning with Groups},
author = {Pablo Morales-Alvarez and Wenbo Gong and Angus Lamb and Simon Woodhead and Simon Peyton Jones and Nick Pawlowski and Miltiadis Allamanis and Cheng Zhang},
journal= {arXiv preprint arXiv:2110.08223},
year = {2022}
}