.png){kind=icon}
返回
Improved generative adversarial network with bald eagle search optimization for missing data imputation
.png){kind=icon}
PRE
AI
DOI：10.1007/s12145-025-01887-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
缺失数据插补是一项关键任务，因为不完整的数据集可能会对模型性能产生负面影响。传统的插补方法往往无法捕捉数据内部的复杂关系，导致对复杂模式的表征不佳以及预测准确性的降低。基于生成对抗网络（GAN）的插补方法经常遇到诸如超参数调优困难和模式崩溃等挑战。在本文中，我们提出了一种改进的GAN-based插补框架，称为BESGAIN。具体而言，BESGAIN引入了白头海雕搜索（BES）优化算法来动态调整超参数，以确保高质量的数据插补。此外，我们整合了一个增强的损失函数，利用余弦相似度来提高数据多样性。这有助于防止因对单一数据模式过拟合而导致的性能下降。因此，BESGAIN实现了更丰富且更准确的插补值集合。我们在七个真实数据集上验证了BESGAIN的性能，并将其与最先进和广泛使用的插补方法进行比较。实验结果表明，BESGAIN在准确性、鲁棒性和泛化能力方面优于现有技术，特别是在缺失率较高的数据集中表现尤为突出。
Keyword:
Generative adversarial imputation networks
Bald eagle search optimization algorithm
Mode collapse
Missing data
期刊
IF:
3
论文数:
686
被引数:
3.3K
机构
引用论文
A time series continuous missing values imputation method based on generative adversarial networks
PREAI
分享收藏Learning conditional variational autoencoders with missing covariates学习具有缺失协变量的条件变分自编码器.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
Improved generative adversarial network with deep metric learning for missing data imputationNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏PhyloMissForest: a random forest framework to construct phylogenetic trees with missing dataBMC GENOMICSOAAI
BMC GENOMICSIF3.7
OAAI分享收藏
查看更多内容