HexaGAN:Generative Adversarial Nets for Real World Classification解读

HexaGAN:Generative Adversarial Nets for Real World Classification解读

参考文章
class imbalance(类别不均衡)

1. 解决的问题：大部分的分类模型中需要干净的数据，然而中现实中的数据大部分存在三个问题
   1）数据丢失：数据完全随机丢失（MCAR），数据随机丢失（MAR），数据丢失（但是）不是随机的（MNAR）。
   2）类别不均衡：这是机器学习中的问题，其中一类数据的总数（正）远小于另一类数据的总数（负）。 这个问题在实践中极为 普遍，可以在包括欺诈检测，异常检测，医学诊断，漏油检测，面部识别等在内的各个学科中观察到。
   3) 标签丢失：部分样本数据的标签丢失或不足

2. 解决办法：本文通过创建HexaGAN网络来同时解决这三类问题，从而对真实数据进行分类：整个网络分为三个模块由六个组件组成，整个网络如下：
   
   图中及文中所用符号说明：
   E：编码器 将标记和未标记的实例都转移到隐藏空间中。
   GMI:生成器 填补缺失的数据
   GCG生成器 生成条件隐藏向量

   1）丢失数据填补（Missing Data Imputation）：使用生成模型表示的数据分布来填充缺失元素。