多重補完フレームワーク内のクラスタリングと深層学習を用いた欠損値推定【JST・京大機械翻訳】

Samad Manar D; Abrar Sakib; Diawara Norou

プレプリント

J-GLOBAL ID：202202211238991949 整理番号：22P0296346

多重補完フレームワーク内のクラスタリングと深層学習を用いた欠損値推定【JST・京大機械翻訳】

Missing Value Estimation using Clustering and Deep Learning within Multiple Imputation Framework

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年02月28日プレプリントサーバーでの情報更新日： 2022年02月28日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

表明データにおけるミッシング値は機械学習の使用と性能を制限し,欠測値の帰属を必要とする。最もポピュラーな補完アルゴリズムは,方程式(MICE)の連鎖を用いて,観測値に関する線形条件付けから欠測値を推定するので,非常に複数の帰属である。本論文では,MICEの帰属精度およびアンサンブル学習と深層ニューラルネットワーク(DNN)とのMICE線形調整を置き換えることにより,非置換データの分類精度の両方を改善する方法を提案した。訓練データから得られたクラスタラベル(CISCL)を持つ個々のサンプルを特徴づけることにより,帰属精度をさらに改善した。6つの表データセット,最大80%の欠測性,および3つの欠測型(ランダムで欠測,ランダムで欠測)を含む著者らの広範な解析は,MICE内のアンサンブルまたは深い学習が,ベースラインMICE(b-MICE)よりも優れていて,両者はCISCLによって一貫して優れていることを明らかにした。結果は,CISCLプラスb-MICEが,すべてのパーセンテージと欠測性に関してb-MICEより優れていることを示した。本提案のDNNベースのMICEと勾配ブースティングMICE+CISCL(GB-MICE-CISCL)は,ほとんどの実験事例で7つの他のベースライン帰属アルゴリズムより優れている。GB-MICEによって補完されたデータに関する分類精度は,すべての欠測比率を通して,提案したGB-MICE-CISCL置換データによって改良した。結果はまた,高欠測(>50%)でのMICEフレームワークの短所を明らかにし,欠測型がランダムでない。本論文は,欠測率とタイプを有するデータセットのための最良の補完モデルを同定するための一般化手法を提供した。【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能

, , , , , ,

前のページに戻る