一种基于对抗神经网络的方法在钻井数据恢复中的应用

摘要

机器学习中数据缺失很普遍,导致数据缺失的因素通常有人为失误、数据处理软件的缺陷、获取数据的传感器错误等。数据缺失会导致机器学习的性能下降,因此缺失值的填补对机器学习任务变得格外重要。针对数据缺失问题,该文提出一种新颖的缺失数据填补方法,构建了一个生成对抗填补网络(简称GAIN)。GAIN主要包括生成器和判别器两个部分,其中生成器(G)用来观察真实数据的每一部分,然后根据观察的结果填补缺失数据的部分,输出一个填补后完整的向量;判别器(D)接受一个完整的向量,来判别哪一部分数据是真实的,哪一部分是被填补的。在4个UCI机器学习标准数据集和石油行业钻井液数据集间进行了实验,验证了GAIN方法的有效性,能提升机器学习任务的性能。