研究在深度潜变量模型（DLVM）中如何处理缺失数据的问题，提出了一种称为 MIWAE 的基于重要性加权自编码器（IWAE）的方法，可以最大化观察数据的对数似然的潜在下界，通过该方法实现单一和多重插值。在这些不完整的 MNIST 数字上训练的深度卷积 DLVM，通过多重插值，其测试性能与完整数据集训练的网络相似，并且在各种连续和二元数据集上，MIWAE 提供精确的单一插值，并且在最先进方法中非常有竞争力。

Dec, 2018

本文提出一种基于过完备去噪深度自编码器的多重插补模型，可以处理不同的数据类型、缺失模式、缺失比例和分布，评估表明我们的模型在多种条件下显著优于现有的最先进方法，同时改善了末端的线性分析。

May, 2017

提出了一种基于深度神经网络和重要性采样变分推理的方法，用于建立和拟合深度潜变量模型。该方法可以在处理缺失数据时，显式地建模缺失过程以及缺失数据本身之间的依赖关系，以期能更好地应用到实际问题。

Jun, 2020

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

本研究提出了一种基于联邦模型的更一致的数据标准化方法，并提出了 Fed-MIWAE 方法，这是一种用于缺失数据插补的联合学习方法，使用变分自编码器和多次插补实现，能在联邦学习情景下处理来自多个不同子数据集的高度异构的数据分布。该方法可以实现与最佳集中式方法相当的插补精度，并且能够量化联邦情景下的插补不确定性。

Apr, 2023

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

DiffPuter 是一种迭代方法，利用期望最大化算法和扩散模型进行缺失数据填补，其通过将缺失数据视为可在模型训练过程中更新的隐藏变量，并将缺失数据填补任务作为 EM 问题来处理。DiffPuter 通过扩散模型来学习观测到的数据和当前估计的缺失数据的联合分布，然后根据给定观测数据的条件概率利用在 M-step 学习的扩散模型重新估计缺失数据，通过这个迭代过程，DiffPuter 逐步改进了完整数据分布，产生了对缺失数据越来越准确的估计，理论分析和实证评估表明 DiffPuter 的优越性，与 16 种不同的填补方法相比，在 10 个不同的数据集上，DiffPuter 的 MAE 平均改善了 8.10％，RMSE 平均改善了 5.64％。

May, 2024

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

本研究提出了一种处理健康数据集中缺失数据的方法，通过结合生成合成数据集、缺失数据插补和深度学习方法来解决缺失数据问题，并使用高斯混合模型、聚类、分类和直接插补分析等综合性能分析框架评估，得出当采用 DAE 方法进行插补时，模型的对数损失最低且性能表现较好，该方法对于处理其他领域的缺失数据同样适用。

Nov, 2022

本文针对 Augmented Balancing Weights（即 AutoDML）进行了新颖的表征，研究了其估计器结合了结果建模和平衡权重的方法，提出了一种基于 Riesz 代表器的推广方法，并进一步扩展到线性估计。该研究为增强平衡权重提供了重要见解，进一步揭露了其具体的估算选择方式。

Apr, 2023