.png){kind=icon}
返回
CSGFlow: Causal-structure-guided flow for missing value imputation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116006.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
缺失数据在现实世界应用中普遍存在，但填补不完整观测值仍因变量间的复杂非线性依赖关系而具有挑战性。尽管归一化流等深度生成模型在建模高维分布方面取得了显著成果，但大多数现有方法基于相关性且未能考虑潜在因果机制。这一局限可能导致偏差或可解释性较差的填补结果，尤其是在观测变量间依赖关系复杂或数据分布跨环境变化时。为应对此挑战，我们提出一种因果结构引导流（CSGFlow）框架，将因果发现与生成填补统一于单一概率模型中。CSGFlow将因果图嵌入基于RealNVP的流架构中，确保每个变量的变换基于其因果父节点，从而生成尊重潜在因果结构并保持统计保真度的填补结果。因果约束损失进一步强制填补结果与因果图的一致性，提升可靠性和可解释性。通过迭代优化因果图和生成模型，CSGFlow产生同时具有因果一致性和统计保真度的填补结果。在合成与真实数据集上的广泛实验表明，CSGFlow实现了最先进性能。
Keyword:
Causal discovery
Missing data imputation
Normalizing flows
Generative models
Causal structure
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Missing data imputation with adversarially-trained graph convolutional networks使用敌方训练的图卷积网络进行缺失数据插补.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏
查看更多内容