MissARF: Imputación de valores faltantes con bosques aleatorios adversariales

Área de la Ciencia:

• Bioestadística; Aprendizaje automático; Ciencia de datos

Sus antecedentes:

• Los datos faltantes son un problema prevalente en los análisis bioestadísticos.
• Los métodos de imputación son técnicas estándar para abordar los valores faltantes.
• Los métodos existentes pueden variar en eficiencia y calidad de imputación.

Objetivo del estudio:

• Proponer un método de imputación novedoso, rápido y fácil de usar llamado MissARF.
• Aprovechar el aprendizaje automático generativo, específicamente los bosques aleatorios adversariales (ARF), para la imputación.
• Proporcionar capacidades de imputación simple y múltiple.

Principales métodos:

• MissARF utiliza bosques aleatorios adversariales (ARF) para la estimación de densidad y la síntesis de datos.
• La imputación implica condicionar los valores observados y muestrear de la distribución condicional estimada por ARF.
• El método está diseñado para escenarios de imputación simple y múltiple.

Principales resultados:

• MissARF demuestra una calidad de imputación comparable a los métodos del estado del arte.
• El método logra un tiempo de ejecución rápido, mejorando la eficiencia computacional.
• MissARF proporciona imputación múltiple sin incurrir en costos computacionales adicionales.

Conclusiones:

• MissARF es una técnica de imputación eficaz y eficiente para el análisis bioestadístico.
• El método ofrece una alternativa competitiva a las estrategias de imputación existentes.
• Su base de aprendizaje automático generativo garantiza una síntesis de datos robusta para los valores faltantes.