标签
本文评估了在标签稀缺和缺失数据条件下表格模型的自监督预训练，发现效果混合但在测试时缺失情况下有可靠改进。
本文介绍了CAIR，一个在现实缺失条件下用于生理时间序列数据插补的两阶段框架，通过纳入间隔机制和课程感知训练，超越了现有方法。
本文提出MARCUS，一种缺失感知区域表示模型，将缺失数据视为上下文城市信号用于租金预测，在现实世界数据集上实现了最先进的性能，显著降低了误差。
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。
本文提出了一种具有对称膨胀的Temporal Convolutional Network用于轨迹修补，通过复合损失函数从观测上下文中重建缺失片段，并在合成的二维轨迹上进行了评估。
本文研究了一种随机线性赌博机问题，其中智能体仅能观测到动作坐标的随机子集，证明了当动作具有低本征维度时可以实现次线性遗憾，并提出了一种具有理论保证的TOFU-POV算法。
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。
SafeImpute 提出了一种可靠的临床数据插补框架，针对不规则数据，利用图神经网络和共形选择来控制临床不可接受错误的错误发现率。
提出了一种基于扩散的方法来生成不规则临床时间序列，该方法联合建模实验室检测值及其观测模式，使用了来自MIMIC-III的DACMI基准。该模型在类似非随机缺失（MNAR-like）的缺失机制下，捕捉了患者生理状态与检验行为之间的临床有意义依赖关系。
本文介绍了MedicalRec，一个基于Transformer的推荐系统，可为医学图像分类任务推荐最优模型，无需重新训练。该系统构建于从3000篇文章中编译的数据集（MedicalRec-Bench）之上，包含超过5000条记录。
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。
提出ReTAMamba，一种使用基于Mamba的可靠性感知时间聚合进行不规则临床时间序列预测的方法，在MIMIC-IV、eICU和PhysioNet 2012上取得了显著的AUPRC提升。
本文提出了一种两阶段抽样设计，其中LLM评估用于增强而非替代人工评分，并利用缺失数据文献中的双重稳健估计量，提供了确定人工和LLM评审样本量的指导。
本文识别了逆强化学习（IRL）中观测缺失的问题，该问题可能导致专家行为看似次优，并提出了一种实用算法，用于量化使专家行为显得最优所需的最小扰动，并在合成任务、癌症治疗模拟和ICU数据上进行了验证。