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

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

本文系统评估了处理缺失值的策略在预测模型中的效果，重点关注大型健康数据库，结果表明，在监督式机器学习中自然支持的缺失值预测表现优于最先进的插补方法，且计算成本更低。

Feb, 2022

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

通过利用生成模型，在不需要预处理且避免引入潜在错误的情况下，同时预测基于观测值的所有未知值，提供了一种高效的概率预测方法，相比传统的先填补值再预测方法，能够在连续排名概率得分方面取得更好的性能。

Mar, 2024

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

本研究提出一种基于 GRU 的深度学习模型 GRU-D，利用缺失模式中的缺失值及其时间间隔，成功地捕获时间序列中的长期时间依赖关系，提高了时间序列分类任务的预测性能，并为缺失值在时间序列分析中的更好理解和利用提供了有用的见解。

Jun, 2016

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

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