欠損値補完のためのGauss過程【JST・京大機械翻訳】

Jafrasteh Bahram; Hernandez-Lobato Daniel; Lubian-Lopez Simon Pedro; Benavente-Fernandez Isabel

プレプリント

J-GLOBAL ID：202202217505663920 整理番号：22P0329070

欠損値補完のためのGauss過程【JST・京大機械翻訳】

Gaussian Processes for Missing Value Imputation

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 (4件)： , , ,
資料名：
発行年： 2022年04月10日プレプリントサーバーでの情報更新日： 2022年05月06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)

多くの実生活データセットにおいて,誤解値は一般的である。しかし,現在の機械学習法の大部分は欠測値を扱うことができない。これは,彼らが前もって代入されるべきであることを意味する。Gaussプロセス(GPs)は,スパース近似と確率的変分推論スケールを大規模データセットに組み合わせる正確な不確実性推定を有するノンパラメトリックモデルである。スパースGPは,欠測データの予測分布を計算するために使用できる。ここでは,他の次元から全ての変数を用いて各次元で欠測値を予測するために用いられるスパースGPの階層的構成を示した。GP(MGP)を欠いているアプローチと呼ぶ。MGPは,すべての観察された欠測値に同時に訓練できる。特に,それは,他の欠測値の推定に使用する各欠測値の予測分布を出力する。著者らは,1つの私的臨床データセットおよび4つのUCIデータセットにおけるMGPを,欠損値の異なるパーセンテージで評価する。スパースGPと深いGPに基づくバリアントを含む,欠測値に対する他の最先端の手法とMGPの性能を比較した。得られた結果はMGPの著しく優れた性能を示した。【JST・京大機械翻訳】

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

人工知能 , 数値計算

, ,

前のページに戻る