imputation

该论文提出了一项两部分的研究，使用机器学习对大规模远程医疗数据进行分析，以分类自我报告的慢性肾病状态并识别关键的社会心理和医学预测因子，平衡准确率约为72-76%，并通过SHAP分析增强可解释性。

Presents GAUGE, a lightweight counterfactual gating framework that handles incomplete multimodal inputs by scoring fine-grained evidence units with Taylor approximation and applying continuous gates for reliable prediction.

论文提出C²MOE，一种基于一致性与互补性引导的混合专家框架，用于对话中的不完整多模态情感识别，利用信息论分解在模态缺失时提高鲁棒性。

本文提出了缺失数据流匹配（Missing-Data Flow Matching）方法，该方法将训练样本中缺失的坐标视为潜在变量，并在可能取值上对流匹配损失进行平均。理论分析表明该修正是精确的，并提供了设计指导，实验在表格数据上验证了该方法的有效性。

本文提出模式感知图神经网络，显式地将缺失模式与观测值一起编码，在七个UCI数据集上平均平衡准确率提升17%，F1宏观值提升22%。

提出了CAGI，一个将聚类与生成对抗网络相结合的框架，通过利用潜在子组结构改进缺失数据插补，在基准数据集上取得了优越性能。

GiFlow 是一个用于时空插补的图信息流匹配框架，它用图信息先验取代高斯先验，并使用结合了空间注意力、时间注意力和时空传播的混合向量场模型。在合成数据集和真实世界数据集上均优于现有最先进方法。