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

本研究探讨了缺失数据补全方法的公平性，发现缺失值补全在敏感群体中存在公平性问题，因此有必要对相关因素进行仔细研究，以减少与缺失数据补全相关的不公平性。

Oct, 2021

该研究提出了一个基于因果关系的缺失数据填补算法（MIRACLE），它可以同时建模数据丢失机制和鼓励填补方法与数据的因果结构一致，实验结果表明MIRACLE较其他方法在各种缺失情况下均有较好表现。

Nov, 2021

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

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

数据分析中，常常遇到缺失非随机（MNAR）的问题，本文从新的视角重新考虑MNAR问题，提出了一种基于生成模型的联合概率分解方法，并成功应用于数据的插补和遗漏掩码的重建。实验证明，我们的方法在MNAR问题上超过了现有的基线模型，并且在均方根误差上取得了显著的提升（平均提高了9.9%到18.8%），同时也得到了更好的掩码重建准确性，使得插补的过程更加可靠。

Aug, 2023

本文提出了使用规则模型来避免对缺失值的依赖，并减少在测试时需要使用统计插补模型或启发式方法的情况，从而增强模型的解释性、适应性和可靠性。通过使用合成和真实数据集进行实验证明了MINTY的价值，并发现其具有与基线相当或更好的预测性能，同时对于缺失值的依赖更小。

Nov, 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

采用动态缺失感知集成加权 (Dynamic missingness-aware Ensemble Weighting, DEW) 方法处理缺失数据的机器学习任务，优化整个 pipeline 来提高模型性能和校准度。

Apr, 2024

ITI-IQA是一套评估各种填补缺失值方法可靠性、选择最佳填补器和筛选不符合质量标准的特征的工具集。它还包括一套诊断方法和图形工具，用于在处理缺失数据期间和之后检查测量和结果。

Jul, 2024