《表6 OE-MMD、BSM和DE-MMD在CRX数据集对应的RSP数据块上的对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《混合属性数据集分布一致性度量的新方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

RSP数据块具有一致的概率分布[5-6]，从对比结果可以发现，DE-MMD方法在4个混合分布数据集上均获得了优于OE-MMD和BSM方法的一致性判别准确率，证明本研究提出的DE-MMD方法是有效的．在此，本研究尝试对DE-MMD方法取得优势的原因进行讨论:（1）与基于离散属性独热编码的OE-MMD方法相比，DE-MMD方法并没有直接使用0和1二值化的离散属性进行分布一致性度量，因为直接使用0和1的二值化离散属性在计算不同数据集的MMD值时容易增加式（4）失效的概率．举一个最极端情况的例子:假设有两组数据（1，0）和（0，1）以及（2，2）和（1，1），经计算可发现这两组数据对应的MMD值相同，但是相比数据（1，0）和（0，1）之间的分布一致性，（2，2）和（1，1）应该具有更大的分布一致性．（2）与基于连续属性二进制化的BSM方法相比，DE-MMD方法是通过确定原始数据集的一种深度编码形式来计算数据集之间的分布一致性，这种深度编码通过输入和输出完全相同的神经网络将数据转化过程中的信息丢失率达到最小化，从而保证了基于深度编码的分布一致性能够反映原始数据的分布一致性．