本研究提出了一种名为GIG的图数据插补方法，旨在解决图数据中的缺失值问题。该方法通过学习图差异依赖（GDDs）来提高插补的可靠性和可解释性。实验结果表明，GIG在多个真实数据集上优于现有方法。

本文介绍了一种新型深度生成模型NAOMI，采用多分辨率结构和分治策略，有效解决长序列数据的缺失问题。与自回归模型相比，NAOMI在插补准确性和泛化性能上显著提升，平均预测误差减少60%。研究还探讨了生成对抗网络和基于矩阵补全的插补方法，显示出在处理缺失数据方面的优越性。

本文综述了深度学习插补方法，提出了分类法并评估其优缺点。实证实验表明，插补效果受数据类型和缺失率影响，强调选择方法时需考虑具体情况。此外，介绍了TSGBench基准，评估合成时间序列生成方法的有效性，并提出新的插补方法TDI，提升了临床数据的风险预测准确性。