【博士论文】在缺失数据情况下的深度自监督学习

文章预览

深度统计模型的进展重新定义了现代数据驱动应用，在各个领域展现了显著的经验成功。然而，虽然一些领域受益于大量干净且完全观测的数据，使得实践者能够充分发挥深度模型的优势，但其他领域通常面临着不完整数据的问题，这阻碍了这些强大模型的有效应用。在本论文中，我们旨在研究并解决由缺失数据引起的重要挑战，这些挑战妨碍了深度模型的使用，重点关注两个关键统计任务：从不完整训练数据集中进行参数估计和缺失数据填补。 首先，我们探讨了使用预训练模型进行缺失数据填补的问题，重点关注变分自编码器（VAE）类的深度统计模型。我们的探索揭示了现有的 VAE 条件采样方法的局限性，识别了与常见的 VAE 学习特性相关的陷阱，这些陷阱在某些场景中妨碍了方法的性能。为了解决这些问题，我们提出了基于马尔科夫链蒙特卡 ………………………………