本研究提出一种基于概率模型的方法 Low Rank Gaussian Copula，可用于缺失值的填充，并能够量化填充结果的不确定性，实验结果表明该方法具有目前最先进的填充精度和良好的不确定性预测能力。

Jun, 2020

通过在数据库系统中使用 MICE 方法，本研究实现了高效、高质量和可扩展的数据填充，充分利用计算共享和环形抽象技术以加快模型训练并在 PostgreSQL 和 DuckDB 中取得了比其他 MICE 实现和基于模型填充技术快两个数量级的计算时间，同时保持了高水平的填充质量。

Jan, 2024

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

使用修正的修剪内积算法，即使在存在任意和对抗性数据攻击的情况下，我们也可以在在线场景中稳健地估计协方差。我们提出了一种在线算法来估计稀疏逆协方差（即精度）矩阵，尽管存在数据损坏。我们提供了算法对真实精度矩阵的估计的误差界和收敛性质。

Sep, 2023

通过使用生成模型（高斯混合模型）计算观察变量给定缺失变量的条件期望值来解决数据矩阵中缺少条目的问题，并利用基于生成模型的算法来填充缺失值，以提高分类学习算法的性能。

Sep, 2012

训练具有缺失条目的预测模型时，我们可以利用两阶段自适应优化问题来处理缺失数据，并提出了一种新类模型，即自适应线性回归模型，其中回归系数根据观测特征进行自适应。我们展示了一些自适应线性回归模型等价于同时学习一个填充规则和一个下游线性回归模型，而不是顺序学习。我们利用这种联合填充 - 回归解释来推广我们的框架到非线性模型。在数据不随机缺失的情况下，我们的方法可以提高 2-10% 的样本外准确率。

Feb, 2024

本文比较了不同的方法在监督分类任务中填补缺失分类数据的效果，并证明了方法可以提高预测准确性，并达到了 Missing-data perturbation 和 k-nearest-neighbors imputation 下准确率的最新水平。

Oct, 2016

本文提出使用基于 RNN 的时间序列模型与带有低秩协方差结构的高斯联合分布过程输出模型相结合，以减少计算复杂度和处理非高斯边际分布，并在多个真实数据集上证明其性能优于现有方法。

Oct, 2019

本研究提出了一种结合深度神经网络灵活性和高斯混合模型简洁性的方法来估计缺失值的条件概率分布，并实验验证了我们的模型在插补缺失值方面的有效性。

Oct, 2020

通过 GMMis 方法，可以推断出天文数据中存在的不完整信息并从当前模型进行同时填补缺失值，该方法可以应用于任意截断几何和概率拒绝算法的情况，同时考虑每个观测样本的独立多元正态测量误差和一个纯净的误差分布估计，基于此方法，在不同类型的不完整数据测试和观测来自 NASA 的钱德拉 X 射线望远镜的数据时，可以对混合高斯信号进行分离并比较出标准高斯混合模型的差异。

Nov, 2016