{rfName}
Le

Indexado en

Licencia y uso

Citaciones

30

Altmetrics

Análisis de autorías institucional

Cuesta-Infante AAutor o Coautor
Compartir
Publicaciones
>
Conferencia Publicada

Learning vine copula models for synthetic data generation

Publicado en:33rd Aaai Conference On Artificial Intelligence, Aaai 2019, 31st Innovative Applications Of Artificial Intelligence Conference, Iaai 2019 And The 9th Aaai Symposium On Educational Advances In Artificial Intelligence, Eaai 2019. 5049-5057 - 2019-01-01 (), DOI: 10.1609/aaai.v33i01.33015049

Autores: Sun Y; Cuesta-Infante A; Veeramachaneni K

Afiliaciones

MIT - Autor o Coautor
Universidad Rey Juan Carlos, Spain - Autor o Coautor

Resumen

A vine copula model is a flexible high-dimensional dependence model which uses only bivariate building blocks. However, the number of possible configurations of a vine copula grows exponentially as the number of variables increases, making model selection a major challenge in development. In this work, we formulate a vine structure learning problem with both vector and reinforcement learning representation. We use neural network to find the embeddings for the best possible vine model and generate a structure. Throughout experiments on synthetic and real-world datasets, we show that our proposed approach fits the data better in terms of log-likelihood. Moreover, we demonstrate that the model is able to generate high-quality samples in a variety of applications, making it a good candidate for synthetic data generation. Copyright © 2019, Association for the Advancement of Artificial Intelligence (www.aaai.org). All rights reserved.

Palabras clave
Artificial intelligenceBuilding blockesDependence modelHigh-dimensionalLog likelihoodModel selectionReal-world datasetsReinforcement learningStructure-learningSynthetic data generations

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

Desde una perspectiva relativa, y atendiendo al indicador del impacto normalizado calculado a partir del Field Citation Ratio (FCR) de la fuente Dimensions, arroja un valor de: 8.21, lo que indica que, de manera comparada con trabajos en la misma disciplina y en el mismo año de publicación, lo ubica como trabajo citado por encima de la media. (fuente consultada: Dimensions May 2025)

De manera concreta y atendiendo a las diferentes agencias de indexación, el trabajo ha acumulado, hasta la fecha 2025-05-15, el siguiente número de citas:

  • Scopus: 30
  • OpenCitations: 12
Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2025-05-15:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 66 (PlumX).

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.