应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN...应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。展开更多
强化学习用于序列决策问题上取得的成功越来越受到人们的重视,但是当使用高维状态作为输入时,仍然存在数据效率低下的问题。造成这个问题的原因之一是智能体难以从高维空间提取有效的特征。为了提高数据效率,论文提出一种适用于强化学...强化学习用于序列决策问题上取得的成功越来越受到人们的重视,但是当使用高维状态作为输入时,仍然存在数据效率低下的问题。造成这个问题的原因之一是智能体难以从高维空间提取有效的特征。为了提高数据效率,论文提出一种适用于强化学习任务的数据增强方法cGDA(cGANs-based Data Augment),该方法用条件生成对抗网络(cGANs)对环境的动态特性建模,以当前时刻的状态和动作作为条件生成模型的输入,输出下一时刻的状态作为增强数据。训练过程中使用真实数据和增强数据同时训练智能体,有效地帮助智能体从不同的数据中快速提取到有用的知识。在Atari100K基准上,cGDA在26个离散控制问题环境中与采用数据增强的方法比较,在16个环境中获得了更高的性能;与未采用数据增强的方法比较,在14个环境中获得了更高的性能。展开更多
针对当前深度学习中常见的样本数据不足与数据分布不平衡问题,本研究提出利用条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行数据增强的方法,扩充原始数据集的数量及改善其分布均衡性。本研究在设计条件生成...针对当前深度学习中常见的样本数据不足与数据分布不平衡问题,本研究提出利用条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行数据增强的方法,扩充原始数据集的数量及改善其分布均衡性。本研究在设计条件生成对抗网络的生成器与鉴别器时,引入标准化处理和LeakyReLU激活函数。将MNIST数据集(Mixed National Institute of Standards and Technology database,MNIST数据集)作为样本图像进行训练和样本生成实验。研究结果表明,通过引入标准化处理,可以有效地稳定数据在网络中的传播,加速模型收敛速度,并提升模型的学习效率。同时,采用LeakyReLU激活函数代替传统激活函数,能有效避免梯度消失的问题,进一步加快鉴别器损失值向0快速收敛、生成器损失值向1快速收敛的速度,显著提高生成样本的质量。展开更多
文摘应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。
文摘强化学习用于序列决策问题上取得的成功越来越受到人们的重视,但是当使用高维状态作为输入时,仍然存在数据效率低下的问题。造成这个问题的原因之一是智能体难以从高维空间提取有效的特征。为了提高数据效率,论文提出一种适用于强化学习任务的数据增强方法cGDA(cGANs-based Data Augment),该方法用条件生成对抗网络(cGANs)对环境的动态特性建模,以当前时刻的状态和动作作为条件生成模型的输入,输出下一时刻的状态作为增强数据。训练过程中使用真实数据和增强数据同时训练智能体,有效地帮助智能体从不同的数据中快速提取到有用的知识。在Atari100K基准上,cGDA在26个离散控制问题环境中与采用数据增强的方法比较,在16个环境中获得了更高的性能;与未采用数据增强的方法比较,在14个环境中获得了更高的性能。
文摘针对当前深度学习中常见的样本数据不足与数据分布不平衡问题,本研究提出利用条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)进行数据增强的方法,扩充原始数据集的数量及改善其分布均衡性。本研究在设计条件生成对抗网络的生成器与鉴别器时,引入标准化处理和LeakyReLU激活函数。将MNIST数据集(Mixed National Institute of Standards and Technology database,MNIST数据集)作为样本图像进行训练和样本生成实验。研究结果表明,通过引入标准化处理,可以有效地稳定数据在网络中的传播,加速模型收敛速度,并提升模型的学习效率。同时,采用LeakyReLU激活函数代替传统激活函数,能有效避免梯度消失的问题,进一步加快鉴别器损失值向0快速收敛、生成器损失值向1快速收敛的速度,显著提高生成样本的质量。
