FGAN介绍及代码实现——基于生成对抗网络的缺失数据填补

一、FGAN介绍

1.1 FGAN网络架构

包括GAIN在内的许多现有的方法都认为标签预测是一个数据填充后的问题，也就是说，他们首先填充数据，然后开发一个预测模型，就好像数据是完全观测的。数据填充完后，再使用新的预测器进行标签预测。将数据填充与标签预测两个任务分割开来。然而数据填充与标签预测之间的脱节很可能会损害标签预测的准确性，但我们最关心的任务实际上是标签预测任务的性能。在本节中，我们提出了一个数据填充与标签预测的统一框架，将数据填充和标签预测两个任务结合在一起。其核心思想是利用生成器Ｇ和判别器Ｄ在训练过程中捕获数据分布的额外信息来给预测器Ｐ—些引导，使用生成器Ｇ和判别器Ｄ来联动训练预测器Ｐ，达到提升标签预测效果的目的。

1.2 生成器模型（Generator）

生成器与GAIN的生成器完全相同。

1.3 判别器模型（Discriminator）

判别器与GAIN的判别器完全相同。

1.4 FAGN算法描述

算法流程如下：

二、FGAN代码结构

2.1 生成器G

生成器的网络结构