本文提出了一种名为 Dual-Path Generative Adversarial Network (DPGAN) 的新框架，用于同时处理缺失数据和避免过度平滑问题，在广泛的基准数据集上进行了全面的实验证明，DPGAN 始终能与现有的最先进的数据补全算法相媲美，甚至胜过其它算法。

Apr, 2024

本文提出了一种迭代图生成和重构框架用于缺失数据插补，引入了 “朋友网络” 概念以表示样本之间的不同关系，并通过端到端朋友网络重建解决在缺失数据情况下生成准确的朋友网络，实现了数据的不同信息传递。在 8 个基准数据集上的实验结果表明，相比其他九种基准方法，该方法得到了 39.13% 较低的平均绝对误差，并且比第二名低 9.04%。

Dec, 2022

本论文提出了一种更通用的缺失数据填充 (MDI) 框架，使用图神经网络 (GNNs) 建立自编码器与边表征向量，通过多个损失函数提升性能。本方法在大规模实验中表现优于现有 MDI 方法，在大量缺失值时尤为明显。

May, 2019

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

该文提出了一种基于高斯混合模型的图卷积神经网络方法，有效解决了节点特征信息不完整所带来的性能退化问题，实现了端到端的特征填充和图学习过程，并在节点分类和链路预测任务中明显优于基于特征填充技术的方法。

Jul, 2020

通过融合动态的高阶空时 GN，通过使用空间注意机制生成动态拉普拉斯矩阵，并使用物理动态系统的普遍非齐次偏微分方程来构建高阶空时 GN，以获得缺失的时间序列值，并通过归一化流来评估图中每个节点的重要性从而更好地解释缺失的影响。

May, 2024

本文提出了一种基于 EdGe（隐式图形表示）图自编码器的缺失数据插补方法，其可处理更大的数据集且能够自动推断每层最佳的联通性，同时在基准测试和基线系统中均获得了重大的改进。

Oct, 2022

本文提出了一种名为 GRAPE 的基于图的机器学习框架，它同时处理了特征插补和标签预测问题，通过使用图神经网络，在 9 种基准数据集上实现了比现有最先进方法更低的平均绝对误差（20％的特征插补任务，10％的标签预测任务）

Oct, 2020

这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长，我们为传统的 Transformer 模型添加了三项知识驱动的增强，包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构，使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性，并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发，从而解决广泛的时空插补问题。

Dec, 2023

本文研究建筑能源预测和管理的问题，尤其是关于如何在能源数据缺失较多的情况下利用基于图像的深度学习方法对这些数据进行填充的研究，结果表明使用部分卷积（Partial Convolution, PConv）的深度学习方法在减小均方误差方面比 2D-CNN 更有效。

Jul, 2023