要約
欠損データの補完に向けた新規手法として、既知のジェネレーティブ・アドバーサリアル・ネットワーク（GAN）フレームワークを適応させることを提案します。この手法をジェネレーティブ・アドバーサリアル・インピュテーション・ネットワーク（GAIN）と呼びます。ジェネレーター（G）は実際のデータベクトルのいくつかの成分を観測し、実際に観測された情報に基づいて欠損成分を補完し、完成したベクトルを出力します。ディスクリミネーター（D）はその後、完成したベクトルを受け取り、どの成分が実際に観測され、どの成分が補完されたかを判別しようと試みます。DがGに望まれる分布を学習させるために、Dにはヒントベクトルという追加情報を提供します。このヒントは、元のサンプルにおける欠損情報の部分的な情報をDに伝え、特定の成分の補完品質に注目するようにDを誘導します。このヒントにより、Gは真のデータ分布に従って生成することを学習することが保証されます。我々は様々なデータセットで本手法を検証し、GAINが最先端の補完手法よりも著しく優れた性能であることが確認されました。