arXiv cs.AI· Pegah Golchian, Jan Kapar, David S. Watson, Marvin N. Wright·· 11 小时前AI 评分24
MissARF：基于对抗随机森林的缺失值插补方法
Missing value imputation with adversarial random forests - MissARF
AI 导读
研究者提出缺失值插补方法 MissARF，基于对抗随机森林（ARF）做密度估计与数据合成，通过以非缺失值为条件从估计的条件分布中采样完成插补，同时支持单次与多重插补。实验显示其插补质量与当前最先进的单次、多重插补方法相当，运行速度快，且多重插补无额外开销。该方法已发表于 Statistics in Medicine。
正文 · AI 翻译
摘要：处理缺失值是生物统计分析中的常见挑战，通常通过插补方法来解决。我们提出了一种新颖、快速且易于使用的插补方法，称为基于对抗随机森林的缺失值插补（MissARF），它基于生成式机器学习，可提供单次和多次插补。MissARF 采用对抗随机森林（ARF）进行密度估计和数据合成。为了对一个观测的缺失值进行插补，我们以非缺失值为条件，从 ARF 生成的估计条件分布中采样。我们的实验表明，在插补质量方面，MissARF 与最先进的单次和多次插补方法表现相当，且运行速度快，多次插补无需额外成本。
| 主题： | 机器学习（stat.ML）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2507.15681 [stat.ML] |
| （或本版本的 arXiv:2507.15681v2 [stat.ML]） | |
| https://doi.org/10.48550/arXiv.2507.15681 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Statistics in Medicine, 45(3-5), e70379 (2026) |
| 相关 DOI： | https://doi.org/10.1002/sim.70379
链接到相关资源的 DOI |
提交历史
来自：Jan Kapar [查看邮箱]
[v1]
2025年7月21日 星期一 14:44:51 UTC（6,940 KB）
[v2]
2026年10月16日 星期五 14:05:07 UTC（6,971 KB）
来源：arXiv cs.AI · arxiv.org