应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN...应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。展开更多
准确预测地下水位是合理开发利用地下水资源的重要依据。由于数据采集过程中可能受到环境干扰或者采集装备发生故障等,导致数据缺失,进而影响模型的预测准确度。为了在含较多缺失值的地下水位数据上获得更准确的预测结果,首先,提出了基...准确预测地下水位是合理开发利用地下水资源的重要依据。由于数据采集过程中可能受到环境干扰或者采集装备发生故障等,导致数据缺失,进而影响模型的预测准确度。为了在含较多缺失值的地下水位数据上获得更准确的预测结果,首先,提出了基于长短时记忆网络(long short term memory,LSTM)-因果卷积网络(temporal convolu⁃tional network,TCN)的地下水位修复模型,通过学习原数据集中的时序特性和分布特点以改善数据集质量。然后,将多头注意力机制(multi⁃head attention mechanism,MA)与LSTM相结合进行地下水位预测,进一步提升LSTM模型的预测性能。最后,预测结果表明,使用LSTM⁃TCN方法修复后的数据集训练MA⁃LSTM模型,显著地提高了地下水位预测精度。展开更多
文摘应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。
文摘准确预测地下水位是合理开发利用地下水资源的重要依据。由于数据采集过程中可能受到环境干扰或者采集装备发生故障等,导致数据缺失,进而影响模型的预测准确度。为了在含较多缺失值的地下水位数据上获得更准确的预测结果,首先,提出了基于长短时记忆网络(long short term memory,LSTM)-因果卷积网络(temporal convolu⁃tional network,TCN)的地下水位修复模型,通过学习原数据集中的时序特性和分布特点以改善数据集质量。然后,将多头注意力机制(multi⁃head attention mechanism,MA)与LSTM相结合进行地下水位预测,进一步提升LSTM模型的预测性能。最后,预测结果表明,使用LSTM⁃TCN方法修复后的数据集训练MA⁃LSTM模型,显著地提高了地下水位预测精度。