MISGAN

MISGAN：通过生成对抗网络从不完整数据中学习

代码、论文、会议发表： ICLR 2019

摘要：

生成对抗网络（GAN）已被证明提供了一种对复杂分布进行建模的有效方法，并在各种具有挑战性的任务上取得了令人印象深刻的结果。然而，典型的 GAN 需要在训练期间充分观察数据。在本文中，我们提出了一个基于 GAN 的框架，用于从复杂的高维不完整数据中学习。==所提出的框架学习一个完整的数据生成器以及一个对缺失数据分布进行建模的掩码生成器。==我们进一步演示了如何通过为我们的框架配备经过对抗性训练的插补器来插补丢失的数据。我们使用一系列实验来评估所提出的框架，这些实验在完全随机假设下丢失了几种类型的数据过程。

GAN介绍：

生成对抗网络 (GAN)（Goodfellow 等人，2014¹）为学习复杂的高维分布提供了强大的建模框架。与基于可能性的方法不同，GAN 被称为隐式概率模型（Mohamed & Lakshminarayanan，2016