Identifiable Deep Latent Variable Models for MNAR Data
面向MNAR数据的可识别深度潜变量模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦缺失数据插补、潜变量模型可识别性与深度学习估计，属于统计/计量方法议题，未直接对应所给微观、宏观或金融领域细分，故不选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
面向MNAR数据的可识别深度潜变量模型
- 研究问题
- 摘要称，缺失数据常导致有偏结果，传统插补多假设随机缺失（MAR），而深度学习方法虽被用于应对非随机缺失（MNAR），却忽视非参数可识别性问题；本文研究如何在MNAR下实现数据分布的可识别与准确估计。
- 方法与思路
- 作者提出基于深度潜变量模型的框架，在给定潜变量条件下无自我删失的假设下建立数据分布的可识别性，并用重要性加权自编码器开发估计算法，在特定正则条件下从理论与模拟、真实数据实验上说明估计能恢复真实联合分布。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：给出MNAR下数据分布的可识别性理论结果，提出可有效估计未知参数的算法，并在理论、模拟与真实数据实验中展示相对经典及前沿插补方法的优势。
- 阅读关注点
- 应核对：条件无自我删失假设的具体表述与合理性、可识别性定理所需正则条件、重要性加权自编码器的估计步骤与收敛性质、模拟设计与真实数据来源，以及对比方法是否覆盖所述经典与前沿做法。
- 阅读边界
- 仅凭摘要无法判断定理证明细节、正则条件强度、算法超参数敏感性、真实数据结论的稳健性，也无法核实所声称的相对优势；该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Missing data is a ubiquitous challenge in data analysis, often leading to biased and inaccurate results. Traditional imputation methods usually assume that the missingness mechanism is missing-at-random (MAR), where the missingness is independent of the missing values themselves. This assumption is frequently violated in real-world scenarios, prompted by recent advances in imputation methods using deep learning to address this challenge. However, these methods neglect the crucial issue of nonparametric identifiability in missing-not-at-random (MNAR) data, which can lead to biased and unreliable results. This paper seeks to bridge this gap by proposing a novel framework based on deep latent variable models for MNAR data. Building on the assumption of conditional no self-censoring given latent variables, we establish the identifiability of the data distribution. This crucial theoretical result guarantees the feasibility of our approach. To effectively estimate unknown parameters, we develop an efficient algorithm utilizing importance-weighted autoencoders. We demonstrate, both theoretically and empirically, that our estimation process accurately recovers the ground-truth joint distribution under specific regularity conditions. Extensive simulation studies and real-world data experiments showcase the advantages of our proposed method compared to various classical and state-of-the-art approaches to missing data imputation.