MIWAE:不完全数据集的深度生成建模和插补
Jes Frellsen的Pierre-Alexandre Mattei
第36届机器学习国际会议论文集,2019年8月27日下午97:4413-4423。
摘要
我们考虑使用深度潜在变量模型(DLVM)处理缺失数据的问题。首先,我们提出了一种在训练集包含丢失的随机数据时训练DLVM的简单方法。我们的方法,称为MIWAE,基于重要性加权自动编码器(IWAE),最大化了观测数据对数似然的潜在紧下限。与原始IWAE相比,我们的算法不会因丢失数据而导致任何额外的计算开销。我们还使用在不完整数据集上训练的DLVM开发了用于单插补和多插补的蒙特卡罗技术。我们通过在MNIST的不完全静态二值化上训练卷积DLVM来说明我们的方法。此外,在各种连续数据集上,我们表明MIWAE提供了极其准确的单次插补,并且与最先进的方法具有高度竞争力。
引用本文
相关材料