[Zurück]

M. Templ:
"Imputation von fehlenden Werten mit Deep Learning Methoden";
Hauptvortrag: IDP Kolloquium, Winterthur; 03.03.2019.

Trotz zahlreicher Anwendung von Deep Learning Methoden in verschiedensten Fachgebieten wurden diese bisher kaum benutzt um fehlende Werte in Daten (gut) zu imputieren. Ein wesentlicher Punkt ist es deshalb diese Methoden zu adaptieren und in Software (naturgemaess R) zu implementieren.
Spannende Fragen ergeben sich nach einer Implementation, z.B. wie gut sich diese Methoden im Vergleich zu traditionellen Imputationsmethoden bewähren.
In diesem Vortrag - der nur einen kleinen Einblick in die Welt der Imputation von fehlenden Werten geben kann - werden in aller Kürze die wichtigsten traditionellen Imputationsmethoden vorgestellt, als auch die neue Implementation mit aritificial neural networks (ANN). Bei letzterem ist vor allem ein datenabhängiges Tuning einer Vielzahl von Parametern nötig. Erste Ergebnisse zeigten, dass nur bei guter Wahl der Parameter und bei genügend grossen ("schönen") Daten ANN´s konkurrenzfähig zu herkömmlichen Methoden sind und die Rechenzeit im Vergleich sehr hoch ist. Jedoch scheinen Imputationsmethoden mit ANN´s sehr vielversprechend für spezielle Anwendungen zu sein und es bedarf noch intensive weitere Forschung diesbezüglich. Der Vortrag schliesst mit einem Ausblick über solche weiteren Forschungsfragen, wie zum Beispiel der multiplen Imputation mit ANN´s oder die vielversprechende Anwendung bei Kompositionsdaten mit gerundeten oder strukturellen Nullen.

Deep Learning, Artificial Neural Networks, Imputation