特徴量の設定とニューラルネットワークの構造について

Question

前提・実現したいこと

機械学習（シンプルなニューラルネットワーク）での、特徴量に関する質問です。
A,B,C,D,Eという特徴量を使い、教師データFを学習させる。（アルファベットはデータの種類です）

５つの特徴量に対して、１つの教師データなので、ニューラルネットワークの構造は、
入力層が５つ、出力層は１つです。
（今回は、入力層に問題を抱えているので中間層は省略します）

しかし、予測する際の特徴量がA,Bしか入手できないとする。
その２つだけで予測をさせる。

抱えている問題

実際に学習させ、完成したモデルによって予測するとします。
しかし、予測する際の特徴量がA,Bしか入手できない場合は、どのように予測すれば良いか。

自分で考えた案

入手したA,Bのデータだけを入力する。
学習時にA,Bを入力させた、ニューロンに入力し予測させる。

この案のように、指定のニューロンに入力させ、予測させることはKerasで可能でしょうか。
（このようなケースは機械学習の概念的にどうなのでしょうか。）

私が考えるに、このような場合だと、他のニューロン（C,D,E）が無駄なのかなと思いました。学習時から、A,Bだけで学習すればいいのかなと思ったのですが、C,D,Eも予測に重要なデータなので欠かせないと思っています。

補足情報（FW/ツールのバージョンなど）

・Keras
・TensorFlow（BackEnd）
・Linux

Comments

[tiitoi]

欠損値ということであれば、0で補完すれば入力しないのとほぼ同じことになるのでは？

Answer 1

シンプルなニューラルネットワークの場合、学習時に5ケの特徴量を用いたのであれば、予測時も5ケの特徴量が必要です。
予測時に2ケの特徴量しか入手不可能なのであれば、質問に記載のような２ケの特徴量で学習させることも一案です。ただ、2ケしか入手できないケースは稀で、普段は5ケ揃うということであれば、欠損値処理を事前に行った上でニューラルネットワークに入力させるという方法もあります。
あるいは、ニューラルネットワークの中に欠損値を補完するレイヤーを組み込むという方法もあり得るかと思います。