BriefGPT - AI 论文速递
·
利用自动编码器和 AutoDiff 在一组时间序列中重建缺失变量
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新颖的潜在变量模型，通过模糊处理缺失数据集，生成缺失数据的损坏过程，并推导出易于实现的指标变量以确定数据元素是否缺失的可跟踪证据下限。该方法在MNIST和SVHN数据集上提高了观测数据的边际对数似然和缺失数据插值。
🎯
关键要点
- 开发了一种新颖的潜在变量模型，处理缺失数据集。
- 通过生成缺失数据的损坏过程进行模糊处理。
- 推导出易于实现的指标变量，适用于高维输入。
- 该模型可以处理可随机缺失和不随机缺失的数据。
- 在MNIST和SVHN数据集上，观测数据的边际对数似然得到了提高。
- 该方法改善了缺失数据的插值效果。
➡️
