A multi-distribution integrated WGAN model for effective data imputation

Cong Phuoc Phan

doi:10.1080/24751839.2026.2688621

A multi-distribution integrated WGAN model for effective data imputation

2026-07-03

0

OA

AI

DOI：10.1080/24751839.2026.2688621

原文链接

原文求助

摘要

En 中文

缺失值是现实数据集中普遍存在的问题，常导致预测性能下降和计算稳定性降低。现有插补方法通常独立关注数据分布建模或属性相关性分析，限制了其全面捕捉数据底层结构的能力。此外，大多数当前方法需监督学习且依赖完整数据集进行训练，限制了其在完全缺失或大规模数据集上的适用性。为克服这些局限，本文提出kTails-WGAN，一种基于Wasserstein生成对抗网络（WGAN）的新型无监督插补框架。该方法将数据概率分布整合到判别器中以提升插补精度，并引入改进的损失函数以更好地保持分布一致性。与常规监督方法不同，kTails-WGAN训练时无需完整数据集，特别适用于缺失值广泛的数据集。在基准数据集上的实验评估表明，kTails-WGAN在RMSE和AUC-ROC指标上取得了与现有插补方法相当甚至更优的性能。

Keyword:

Missing value imputation

distribution integrated deep learning

multiple-real-samples comparison loss function

unsupervised data imputation

WGAN improvement for imputation

A multi-distribution integrated WGAN model for effective data imputation

摘要

期刊

机构

引用论文