Intégration pour une absence d'information significative : Apprentissage profond avec des données incomplètes

L'apprentissage profond est de plus en plus utilisé pour faire des prédictions sur des données biomédicales et en sciences sociales. Un défi omniprésent dans de telles applications est que les données d'entraînement sont souvent incomplètes : certains attributs des échantillons peuvent manquer. De plus, il peut y avoir des structures complexes dans le schéma des attributs manquants - par exemple, le niveau de glucose mesuré pour un participant peut dépendre de ses autres attributs (par exemple, l'âge) ainsi que de la cible de prédiction (par exemple, le statut diabétique). Nous proposons une approche générale d'intégration pour apprendre des représentations pour l'absence d'information. L'intégration peut être une couche modulaire de n'importe quelle architecture de réseau de neurones et elle est apprise en même temps que les réseaux apprennent à faire des prédictions. Cette approche contourne la nécessité d'imputer d'abord les attributs manquants, ce qui est une limitation clé car les méthodes d'imputation standard nécessitent une absence aléatoire. Nos évaluations expérimentales systématiques montrent que l'intégration de l'absence d'information améliore considérablement la précision des prédictions, surtout lorsque l'absence de données présente des structures, ce qui est typique en pratique. Nous montrons que l'intégration est robuste face aux changements dans l'absence de données de test (adaptation de domaine) et discutons de la manière dont l'intégration révèle des informations sur le mécanisme d'absence sous-jacent.