基于全局属性注意力神经过程模型的数据补全研究

注意力神经过程(Attentive Neural Process, ANP)模型采用生成模型的方法，以样本的任意局部上下文点为输入，输出整个样本的分布函数，从而模仿高斯过程回归完成数据补全任务。样本的属性信息可以为样本的生成提供重要信息，然而ANP模型忽略了对属性信息的使用。受条件变分自动编码机(CVAE)模型以标签为条件控制样本生成的启发，文中提出了全局属性注意力神经过程(Global-attribute Attentive Neural Process, GANP),将样本属性嵌入到编码器网络，从而使浅层变量隐含样本属性信息。同时，在解码器网络中加入样本属性作为特征，使模型的生成样本更为准确，特别是当输入上下文点数量稀少时，属性信息能够帮助模型生成更清晰、准确的样本。最后，从定性和定量两个方面证明了GANP性能的优越性，可以看出该模型扩展了NP家族模型的应用范围，从而更灵活、快速、准确地解决只有部分上下文信息时整个样本的数据补全问题。