贝叶斯推理模型Index-GMVAE在随机数据缺失填补中的应用

摘要

变分自编码器(VAE)推理随机缺失数据还原是近年来一种新兴的数据填补方法,但传统的VAE算法存在后验分布单一,变分推断证据下界收敛慢等问题。因此,提出了一种采用高斯混合后验分布和缺失数据位置掩码推理缺失数据还原的新的贝叶斯推理网络框架——Index-GMVAE。在Mnist手写数字数据集和Adult数据集上分别做了实验验证,仿真结果表明,提出的算法能明显提高证据下界的收敛速度,相比于VAE算法,将缺失数据推理还原的准确率提高了10%左右,且在图像数据集和异构二分类数据集上均有效提高了模型的概率隐变量层的推理性能,体现了对不同结构数据的普适性。