本文采用简单的策略解决临床时间序列中缺失数据的问题，通过将缺失数据视为特征，并利用简单的二进制指示器处理，实现了儿科重症监护病房（PICU）临床时间序列的多标签诊断分类预测。同时，我们也展示了基于缺失数据模式的训练模型不仅能刻画缺失数据信号，同时显示该信号的预测性可以超过部分疾病的测试结果本身。

Jun, 2016

本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

Jul, 2021

本论文提出 BRITS，一种基于递归神经网络的缺失值填充方法，可以处理多个相关的时间序列缺失值，并可以推广到具有非线性动态的时间序列。在三个真实世界数据集上验证了其有效性。

May, 2018

本文提出了一个新颖的概率框架，用于处理具有缺失值的多变量时间序列数据的分类问题。通过训练两个部分的模型，一个用于缺失值填补的深度生成模型，一个用于分类的分类器，能够有效地建模填补缺失值带来的不确定性，并且利用新的正则化技术解决了合并模型可能产生的无意义填补解的问题，通过在真实世界数据上进行广泛实验，证明了我们方法的有效性。

Aug, 2023

通过对最近提出的深度学习插补方法进行综合调查，本文首先提出了一种分类法，然后通过强调其优势和局限性对这些方法进行了结构化的审查。同时，我们还进行了实证实验，研究了不同方法并比较了它们对下游任务的改进效果。最后，指出了未来研究多变量时间序列插补的开放问题。

Feb, 2024

提出了一种基于新型深度学习结构的多方向循环神经网络方法，用于在数据流内插值和在数据流中添加值。模型在医疗数据集中的表现优于 11 个现有方法，提高了 35% 至 50% 左右的均方根误差，有效地解决了医疗数据中缺失数据的问题。

Nov, 2017

本篇论文介绍了一种新的方法 —— 基于图的条件变分循环神经网络 (GC-VRNN)，它可以同时执行轨迹插补和预测，能够从不完整的观测中提取空间特征并利用丢失的数据。我们还设计了适用于时序数据的渐进式记忆模块，以获取缺失信息。通过大量实验，验证了我们的方法的出色性能。此外，本论文还提供了三种实践数据集，并对轨迹插补和预测的联合问题进行了评估。

Mar, 2023

该研究介绍了一种新颖的基于循环神经网络的解决方案，用于在缺失数据下进行序列预测。 与所有现有方法不同，该方法直接编码数据中的缺失模式而不是在模型构建之前或期间尝试填补数据。

Aug, 2022

本文提出一种新的深度顺序潜变量模型，通过高斯过程在时间上平滑演化的抽象低维表示来实现缺失数据的非线性降维和数据插值，旨在解决在医疗和金融等领域中常见的缺失数据问题。我们的方法优于传统的和基于深度学习的数据插值方法，并提供可解释的不确定性估计。

Jul, 2019

本研究提出了一种基于时间和速度敏感的门控循环单元模型 (GRU-TV)，用于连续时间学习临床多变量时间序列数据的患者表征。通过神经常微分方程和速度感知机制，实现了感知相邻记录之间的时间间隔和患者生理状态的变化率。实验结果表明，GRU-TV 模型在计算机辅助诊断任务中表现稳健，尤其是在具有高方差时间间隔的序列上表现良好。

May, 2022