机构名称：
¥ 1.0
出于多种原因，例如数据收集中的人错误或隐私注意事项，不完整的表格数据集在许多应用中无处不在。 人们会期望这样一种自然解决方案是利用强大的生成模型，例如扩散模型，这些模型在图像和连续域中表现出巨大的潜力。 但是，香草扩散模型通常对初始化的噪声表现出敏感性。 这与表格域固有的自然偏差有关，对扩散模型构成了挑战，从而影响了这些模型的鲁棒性，以进行数据插补。 在这项工作中，我们提出了一个高级扩散模型，名为S Elf Subsuped Impation d iffusion M Odel（简短的SIMPDM），专门针对表格数据插图任务量身定制。 为了减轻对噪声的敏感性，我们引入了一种自我监督的对准机制，旨在使模型正常，以确保同意和稳定的插定预测。 此外，我们在SIMPDM中引入了一个精心设计的状态依赖性数据增强策略，从而在处理有限的数据时增强了扩散模型的鲁棒性。 广泛的实验表明，在各种情况下，SIMPDM匹配或优于最先进的插补方法。不完整的表格数据集在许多应用中无处不在。人们会期望这样一种自然解决方案是利用强大的生成模型，例如扩散模型，这些模型在图像和连续域中表现出巨大的潜力。但是，香草扩散模型通常对初始化的噪声表现出敏感性。这与表格域固有的自然偏差有关，对扩散模型构成了挑战，从而影响了这些模型的鲁棒性，以进行数据插补。在这项工作中，我们提出了一个高级扩散模型，名为S Elf Subsuped Impation d iffusion M Odel（简短的SIMPDM），专门针对表格数据插图任务量身定制。为了减轻对噪声的敏感性，我们引入了一种自我监督的对准机制，旨在使模型正常，以确保同意和稳定的插定预测。此外，我们在SIMPDM中引入了一个精心设计的状态依赖性数据增强策略，从而在处理有限的数据时增强了扩散模型的鲁棒性。广泛的实验表明，在各种情况下，SIMPDM匹配或优于最先进的插补方法。
自我划分改善了表格数据插补的扩散模型
主要关键词
相关文件推荐
