Imputación de valores faltantes en datos relacionales utilizando inferencia variacional

Área de la Ciencia:

• Ciencia de las redes
• Ciencia de los datos
• Aprendizaje automático

Sus antecedentes:

• Los atributos de los nodos en las redes del mundo real a menudo son incompletos y requieren imputación para el análisis.
• Los métodos de imputación existentes a menudo descuidan información valiosa de la conectividad de la red.

Objetivo del estudio:

• Desarrollar un método mejorado de imputación de atributos aprovechando tanto los atributos del nodo como la estructura de la red.
• Introducir un modelo de espacio latente conjunto que capte las interdependencias entre los atributos del nodo y la conectividad.

Principales métodos:

• Se propone un modelo de espacio latente conjunto para aprender una representación de datos de baja dimensión.
• La inferencia variacional se emplea para aproximar las distribuciones posteriores de las variables latentes.
• El modelo agrupa información a través de variables latentes compartidas para la predicción de atributos.

Principales resultados:

• El método propuesto utiliza efectivamente la información de estructura conjunta para la imputación de atributos.
• Se observaron mejoras significativas en la precisión de la imputación, especialmente cuando los datos observados son escasos.
• Los experimentos numéricos en redes simuladas y del mundo real validaron el enfoque.

Conclusiones:

• El modelo de espacio latente conjunto ofrece un enfoque más eficaz para la imputación de atributos en redes.
• La integración de la conectividad de red mejora la predicción de los atributos de los nodos faltantes.
• El método es prometedor para aplicaciones que requieren una imputación robusta de datos de red.