.png){kind=icon}
返回
SEGAN: A Semi-Supervised Learning Method for Missing Data Imputation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11761-025-00472-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代数字服务网络（DSNs）的有效管理以及利用大型语言模型（LLMs）实现其生命周期自动化，取决于完整、高保真度操作数据的可用性。然而，来自云服务、物联网生态系统等复杂基础设施的遥测数据经常因缺失值而备受困扰，这严重降低了下游分析和控制任务的性能。尽管数据插补已被广泛研究，但现有方法通常未能利用稀疏但关键的监督信号（如标记状态或异常标志），这些信号在DSN背景下至关重要。为解决这一基础性挑战，本文提出了一种新颖的半监督生成对抗网络模型，命名为SEGAN，用于缺失值插补。该模型包含三个模块：生成器、判别器和分类器。在SEGAN模型中，分类器使生成器在预测缺失数据值时能充分利用已知数据和标签信息。此外，SEGAN模型引入了缺失提示矩阵，使判别器能更有效地区分已知数据与生成器填充的数据。本研究从理论上证明，引入分类器和缺失提示矩阵的SEGAN模型在达到纳什均衡时，能够学习真实已知数据的分布特征。在三个公开现实数据集上的广泛实验表明，与当前最先进的方法相比，SEGAN的准确性提高了超过10%。
Keyword:
Digital service networks
Data imputation
Semi-supervised learning
Nash equilibrium
期刊
S
IF:
1.7
论文数:
23
被引数:
0
机构
暂无机构信息
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Data Driven Estimation of Imputation Error—A Strategy for Imputation with a Reject OptionPLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningOAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏分享收藏
查看更多内容