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。 人们希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。 这是表格域固有的自然稀疏性，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，我们提出了一个名为S Elf Sumperiond Impation Diffusion M Odel（简短的SIMPDM）的高级差异模型，该模型是专门针对表格数据插图任务量身定制的。 为了减轻对噪声的影响，我们引入了一种自我监督的对准机制，旨在使模型正规化，以确保一致稳定的插定预测。 此外，我们在SIMPDM中引入了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，模拟PDM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。人们希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。这是表格域固有的自然稀疏性，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，我们提出了一个名为S Elf Sumperiond Impation Diffusion M Odel（简短的SIMPDM）的高级差异模型，该模型是专门针对表格数据插图任务量身定制的。为了减轻对噪声的影响，我们引入了一种自我监督的对准机制，旨在使模型正规化，以确保一致稳定的插定预测。此外，我们在SIMPDM中引入了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，模拟PDM匹配或优于最先进的插补方法。
自upervision-Improves-diffusion-for-tabular- ...
主要关键词
相关文件推荐
