变分选择性自编码器：从部分观测的异构数据中学习
机器学习
2021-02-26 v1 机器学习
摘要
从异构数据中学习带来了诸多挑战，例如合并来自不同来源和不同类型的数据。同时，由于输入来源的异构性和噪声，异构数据在真实应用中常伴随缺失。在本工作中，我们提出变分选择性自编码器（VSAE），一种从部分观测的异构数据中学习表示的通用框架。VSAE 通过建模观测数据、未观测数据和表示数据缺失方式的填补掩码（imputation mask）的联合分布，来学习异构数据中的潜在依赖关系。它形成了一个统一模型，可用于数据生成和填补等多种下游任务。在这两个任务上针对低维和高维异构数据集的评估显示，其优于最先进的模型。
引用
@article{arxiv.2102.12679,
title = {Variational Selective Autoencoder: Learning from Partially-Observed Heterogeneous Data},
author = {Yu Gong and Hossein Hajimirsadeghi and Jiawei He and Thibaut Durand and Greg Mori},
journal= {arXiv preprint arXiv:2102.12679},
year = {2021}
}
备注
International Conference on Artificial Intelligence and Statistics (AISTATS) 2021