在过去，缺失数据补全任务一般有两种不同的方式解决:

  • 特征归因（feature imputation），简单地说，基于观察值估计缺失的数值，比如非负矩阵分解，SVD分解, KNN等；
  • 直接进行标签预测，也就是不管缺失值，直接预测。

但是，现有的模型（feature imputation）往往具有很强的先验假设，无法从下游任务中学习，比如上面的NMF,缺失值补全跟下游的任务几乎没有任何关系。而针对标签预测的模型通常涉及启发式算法，可能遇到可扩展的问题。

本文提出了图网络GRAPE模型，一种基于图的框架，用于特征补全和标签预测的问题。GRAPE使用图表示法来解决丢失数据问题，其中样本X和特征F被视为二部图中的节点，而观察到的特征值则作为边。

  • 论文标题：Handling Missing Data withGraph Representation LearningJiaxuan
  • 论文链接：https://arxiv.org/pdf/2010.16418.pdf
  • 论文作者： Jiaxuan You， Xiaobai Ma，Daisy Yi Ding，Mykel Kochenderfer，Jure Leskovec

在GRAPE框架下，特征补全任务被转换成了边预测的任务，而标签预测被转化为节点级预测任务,然后使用Graph Neural Network解决这些任务。在九个基准数据集上的实验结果表明，与现有的最新方法相比，GRAPE的补全任务MSE降低了20％，标签预测任务的MSE降低了10％。

本文不是解决图数据缺失问题，而是一般的数据缺失问题，这个数据一般是表格数据。数据缺失补全是传统机器学习基本任务之一，本文采用图网神经网络解决该问题，方法简单，思路新颖，非常有意思。

感兴趣的可以戳链接。

内容中包含的图片若涉及版权问题，请及时与我们联系删除