یکی از چالشهای همیشگی در یادگیری ماشین، مواجهه با دادههای ناقص یا «گمشده» است. محققان به تازگی روشی نوآورانه به نام FILLER معرفی کردهاند که با استفاده از فضای نهان (Latent Space) تولید شده توسط مدلهای مولد، مقادیر از دست رفته را با دقت بالا جایگذاری (Imputation) میکند.
این روش که روی دادههای تصویری آزمایش شده، توانسته با استفاده از مدل G-NeuroDAVIS، در معیارهای ارزیابی مانند RMSE و SSIM عملکرد بسیار موفقی داشته باشد و راهکار هوشمندانهای برای حفظ دقت مدلها در شرایطی که دادههای ورودی کامل نیستند، ارائه دهد. 🧠💡
منبع: arXiv Machine Learning