通过考虑特征重要性，我们设计了一种基于矩阵完成和特征重要性学习的填补算法，实验证明该方法在处理缺失值方面优于现有的五种填补算法。
Nov, 2023
多视图无监督特征选择方法 UNIFIER 能够处理不完整的多视图数据，并通过学习相似性诱导图动态恢复缺失视图，提高特征选择性能。
Jan, 2024
提出一种新的框架，通过利用监督信息来完成缺失数据，使其有利于分类，并在四个真实数据集上证明了该方法的优越性能。
May, 2024
本文提出了一种通过基于主成分分析的方法来确定是否可以准确地填充缺失值的特征填写能力，该方法可以在极端缺失和缺乏基础真相的情况下建立主成分载荷和特征填补能力之间的强线性关系。
Jul, 2020
本文介绍了一种用于处理缺失数据的方法 ——Missing Indicator Method，该方法通过在特征矩阵中添加缺失模式指示变量来搭配数据的填充，能够提高模型性能，同时还针对高维数据可能出现的模型过拟合问题，提出了一种 SMIM 扩展方法，并在实际的临床数据任务中表明了方法的实用性。
Nov, 2022
本文提出了一种基于 FIRES 的在线特征选择新框架，通过处理模型参数作为随机变量惩罚不确定性高的特征，选择更加稳定的特征集，并实验证明该框架在稳定性方面显著优于现有方法。
Jun, 2020
本研究提出了一种新的框架，以数字方式评估在统计分析背景下处理缺失数据的策略，特别关注多重插补技术，并在 National COVID Cohort Collaborative 提供的大型 2 型糖尿病患者队列上进行了实证研究，结果显示多重插补技术可以有效地处理缺失数据。
Jun, 2022
本文研究如何在多任务学习中应对数据的确实特征，并通过插件协方差矩阵估计器结合稀疏和图正则化的多任务学习方法，提高数据的泛化性能，并以阿尔茨海默病的数据为例阐述其有效性。
Jul, 2018
探索解决图学习任务中缺失特征问题的方法，引入一种新的信任概念，设计一种新的特征插值方案以及节点分类和链接预测。
May, 2023
该研究比较了七种填补技术在三个医疗数据集上的表现，结果显示 Missforest 填补法表现最好，其次是 MICE 填补法；此外，研究还表明在处理包含缺失值的数据时，首先进行填补再进行特征选择效果更好。
Mar, 2024