本文研究了具有缺失非随机性的矩阵补全问题，提出了一种新的缺失概率估计方法，通过观察缺失数据的核范数结构，将缺失数据的概率转化为矩阵补全问题。该方法能够显著降低标准矩阵补全算法在缺失数据情况下预测结果的偏差，实验表明其效果好于传统方法。

Oct, 2019

数据分析中，常常遇到缺失非随机（MNAR）的问题，本文从新的视角重新考虑 MNAR 问题，提出了一种基于生成模型的联合概率分解方法，并成功应用于数据的插补和遗漏掩码的重建。实验证明，我们的方法在 MNAR 问题上超过了现有的基线模型，并且在均方根误差上取得了显著的提升（平均提高了 9.9% 到 18.8%），同时也得到了更好的掩码重建准确性，使得插补的过程更加可靠。

Aug, 2023

我们考虑的是在数据不随机缺失（MNAR）的情况下识别和估计感兴趣的参数。本文提出了一种受数据融合启发的方法，其中 MNAR 数据集的信息通过与随机缺失（MAR）的辅助数据集的信息来增强。我们展示了在两组互补假设下，即使单独给定任一数据集都无法识别感兴趣的参数，但在汇总数据给定情况下可以识别。我们推导了一种逆概率加权（IPW）估计器用于识别的参数，并通过模拟研究评估了我们的估计策略的性能。

Nov, 2023

本文从透明度、可估计性和可测试性的三个方面，评估了传统框架的限制，并展示了如何通过基于图形模型的方法来克服这些限制并在包括 MNAR 在内的广泛缺失数据问题中提供有意义的性能保证。同时，提出了在 MAR 和 MNAR 类别中对缺失数据模型进行可测试的推论。

Jan, 2018

在数据科学中，缺失数据是一个重要的挑战，它对决策过程和结果产生影响。本文回顾了现有文献对处理缺失数据的方法进行了比较和对比，揭示了现有文献中的研究空白，并提出了未来研究的潜在方向。这个综述将帮助数据分析人员和研究人员在实际问题中采用和推广处理缺失数据的良好实践。

Apr, 2024

通过使用缺失指标的新型非线性，本文提出了一种名为 NeuMiss 网络的新颖结构，该结构可解决缺失信息带来的挑战，其计算复杂度和参数量不受缺失数据模式数量的影响，并具有良好的预测精度和统计效率。

Jul, 2020

本文围绕低秩矩阵重构问题，重点研究在观测样本受噪声污染时的矩阵填充问题，比较了 OptSpace、ADMIRA 和 FPCA 三种最新的填充算法在单一模拟平台上的性能，并给出了数值结果。实验表明，这些优秀的算法可以用于准确重构实际数据矩阵和随机生成的矩阵。

Oct, 2009

本研究论文介绍新兴的矩阵填充技术及其应用，其中最简单的情况是从一个数据样本中恢复一个数据矩阵。本文提出通过核范数极小化技术，按数据约束条件恢复矩阵，可在一定程度下证明矩阵填充的准确性，数值结果表明，核范数极小化技术可以在很少的观测样本中准确填充低秩矩阵的许多缺失条目。

Mar, 2009

本文提出了 MVPC 算法，可用于发现具有不同缺失机制的观察数据中的基础因果结构，其缺失机制由失踪图表示，并提出了附加的纠正操作，以推导完整数据中的条件独立性 / 依赖关系。经实验证明，所提出的算法在 MAR 或 MNAR 数据下也能给出正确的结果，并且在神经病理性疼痛诊断记录和其他两个真实世界应用中表现优异。

Jul, 2018

本文提出了一种补偿广泛使用的凸估计器偏差的简单程序，从而实现了对噪声矩阵完成的不确定性和推断，并产生了近乎精确的非渐近分布表征，进而实现了对缺失条目和低秩因子的置信区间的最优构建。

Jun, 2019