Approaches to learning strictly-stable weights for data with missing values

مشکل داده های از دست رفته در برنامه های دنیای واقعی یادگیری ماشین های نظارتی مانند طبقه بندی و رگرسیون رایج است. چنین داده هایی اغلب نیاز به توابع تعریف شده برای ابعاد مختلف را ایجاد می کنند. در اینجا ما پیشنهاد می کنیم روش های بهینه سازی برای یادگیری وزن های ابزار شبه حسابی در متن داده ها با مقادیر گم شده. ما برخی از رویکردهای جایگزین را با توجه به تعداد متغیرهایی که مقادیر گمشده را نشان می دهند بررسی می کنیم و نتایج را برای چندین آزمایش عددی نشان می دهیم.