보조인자를 활용한 그래프 신경망 기반의 결측치 복원 방법 연구 (Missing Value Imputation Based on Graph Neural Networks Using Auxiliary Feature)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 29권 / 7호 / 344 ~ 349페이지
· 저자명 : 김가희, 유나래, 윤세영

초록

결측치 처리는 심층학습 및 기계학습의 성능을 높이기 위한 중요한 과정이다. 결측치를 처리하는 기존의 방법들은 계산 비효율성 때문에 대규모 데이터를 다루는 데에는 적합하지 않다. 그래프 신경망이 대규모 데이터셋에서 우수한 성능을 보임에 따라, 결측치 처리를 그래프의 간선 예측 문제로 전환하여 해결하고자 하는 시도들이 있었고, 다양한 벤치마크 데이터셋에서 그래프 기반의 결측치 예측 알고리즘은 우수한 성능을 보였다. 그러나 밀도가 희박하고 잡음이 섞인 실제 데이터셋에 그래프 기반의 알고리즘을 적용하는 데에는 추가적인 노력이 필요하다. 본 논문은 보조인자를 도입하여, 대상인자의 간선을 예측하는 방법을 제안한다. 보조인자는 예측하고자 하는 대상인자를 제외한 데이터셋의 인자들로, 결측치 처리 모델이 그래프 정점 표현 사이의 차이를 반영할 수 있도록 돕는 역할을 한다. 실험결과들을 통해 그래프 기반의 결측치 처리 방법의 성능을 검증하고, 보조인자의 도입을 통해 실제 데이터셋의 상하한 값 내의 다양한 값을 생성하는 것을 확인할 수 있었다.

영어초록

Handling missing values is a significant challenge in improving the performance of deep learning models. While there are several ways of imputing missing values, these approaches are not suitable for large-scale datasets due to computation inefficiency. As graph neural networks have emerged as a great solution for large-scale datasets, several approaches try to convert imputated missing values to edge prediction in the graph. For various benchmark datasets, the graph-based imputation algorithm has outperformed. However, it still requires some extra effort to apply it to sparse and noisy real-world datasets. We propose using auxiliary features to predict the edge of target features. The auxiliary features, which are features in the dataset excluding the target features to be predicted, help models to reflect the difference among the node embeddings. Experimental results showed that graph-based approaches outperform imputation missing values and auxiliary features can enhance the algorithm to generate various values with specification limits.

참고자료

· 없음