.png){kind=icon}
返回
A hierarchical neural network structure and collaborative learning for incomplete data classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130081.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
缺失值的存在增加了现实应用中的分类难度。不完整数据的分类通常需要缺失值的插补。在构建分类器的过程中，为充分利用不完整样本的现有属性值，我们引入了一种跟踪移除自编码器作为插补模型，该模型通过在一个网络结构上构建属性间的相互拟合关系来插补缺失值。在此基础上，我们提出了一种插补-分类层级神经网络结构，通过将全连接层级联到跟踪移除自编码器来实现对不完整数据的分类。针对该层级神经网络的训练，我们综合考虑回归误差和分类误差来设计代价函数。同时，我们提出了一种协同学习方法，将缺失值视为变量，并与网络参数共同进行动态优化。该训练方案使层级神经网络能够同时匹配不完整数据集中现有的属性值和类别结构，从而有效提升分类器的性能。在多个不完整数据集上的测试实验结果验证了所提出的插补-分类层级结构及协同学习方法的有效性。
Keyword:
Incomplete data classification
Missing value imputation
Tracking-removed autoencoder
Hierarchical neural network architecture
Collaborative learning
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
Improving performance of classification on incomplete data using feature selection and clustering利用特征选择和聚类提高不完整数据的分类性能
PREAI
分享收藏
分享收藏Tensor Factorization and Attention-Based CNN-LSTM Deep-Learning Architecture for Improved Classification of Missing Physiological Sensors Data.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Imputations of missing values using a tracking-removed autoencoder trained with incomplete data使用不完整数据训练的跟踪删除自动编码器对缺失值进行归约NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Method to Design Pattern Classification Model with Block Missing Training Data基于块缺失训练数据的设计模式分类模型的方法
PREAI
分享收藏
查看更多内容