Datum:
12.06.2026, 13:00-13:45 Uhr
Ort:
Zoom (Meeting ID: 675 8938 0001)
Sprache:
Englisch
Organisiert durch:
IC D2MCM
Anmeldung:
Not required.
Kontakt:
iz-d2mcm.contact@hu-berlin.de
iCal-Download
Correcting inherent bias in iterative imputation of missing data
Joint Seminar Series on Digitality and Digital Methods, 12.06.2026
Sprecher_innen: Katarzyna Reluga (WiWiF)
Zoom: Meeting ID: 675 8938 0001
Zeit: 1-1:45 pm, Fridays
Host: Management team of IZ D2MCM
Kontakt: iz-d2mcm.contact@hu-berlin.de
Ganzes Programm: Link to Introduction and Programm
Die Imputation fehlender Daten – bei der ein Modell auf der Grundlage beobachteter Daten trainiert wird, um unbeobachtete Werte zu schätzen – stellt eine zentrale Aufgabe im maschinellen Lernen dar. Wir zeigen, dass viele hochmoderne Methoden es versäumen, die daraus resultierende Verteilungsverschiebung zwischen den für das Training verwendeten beobachteten Daten und der für die Evaluierung herangezogenen vollständigen Datenverteilung zu berücksichtigen, sofern die Wahrscheinlichkeit des Fehlens von den Daten selbst abhängt. Um diesem Problem zu begegnen, schlagen wir einen neuartigen Imputationsalgorithmus vor, der darauf ausgelegt ist, ein Imputationsmodell aus den beobachteten Daten zu erlernen und dabei die Verteilungsverschiebung zwischen den beobachteten und den vollständigen Datenverteilungen explizit zu berücksichtigen. Simulationsstudien belegen konsistente Verbesserungen gegenüber ansonsten identischen, unkorrigierten Basismodellen; dabei wurden durchschnittliche Reduktionen von 3 % beim RMSE und 7 % bei der Wasserstein-Distanz erzielt.
The format consists of a 30-minute presentation followed by a 15-minute discussion. The presentations are organised via Zoom to enable broad participation. All lectures are also listed in the Event-Section of the website.