典型文献
一种基于对抗神经网络的方法在钻井数据恢复中的应用
文献摘要：
机器学习中数据缺失很普遍,导致数据缺失的因素通常有人为失误、数据处理软件的缺陷、获取数据的传感器错误等.数据缺失会导致机器学习的性能下降,因此缺失值的填补对机器学习任务变得格外重要.针对数据缺失问题,该文提出一种新颖的缺失数据填补方法,构建了一个生成对抗填补网络(简称GAIN).GAIN主要包括生成器和判别器两个部分,其中生成器(G)用来观察真实数据的每一部分,然后根据观察的结果填补缺失数据的部分,输出一个填补后完整的向量;判别器(D)接受一个完整的向量,来判别哪一部分数据是真实的,哪一部分是被填补的.在4个UCI机器学习标准数据集和石油行业钻井液数据集间进行了实验,验证了GAIN方法的有效性,能提升机器学习任务的性能.
文献关键词：
机器学习;数据缺失;填补方法;生成对抗填补网络;生成器;判别器;石油行业;钻井液
中图分类号：
作者姓名：
张宁
作者机构：
中国石化集团国际石油勘探开发有限公司,北京 100101
文献出处：
引用格式：
[1]张宁-.一种基于对抗神经网络的方法在钻井数据恢复中的应用)[J].海洋石油,2022(02):83-88,115
A类：
生成对抗填补网络
B类：
对抗神经网络,钻井数据,数据恢复,数据缺失,人为失误,数据处理软件,获取数据,性能下降,缺失值,学习任务,格外,缺失数据填补,填补方法,GAIN,生成器,判别器,真实数据,补缺,哪一部,UCI,学习标准,标准数据集,石油行业,钻井液,提升机
AB值：
0.321456
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
