本研究提出了一种蒙特卡洛时间丢失（MC-TD）方法，旨在解决深度学习模型在回归任务中处理时间序列数据缺失的问题，尤其是由于卫星故障或云遮挡造成的缺失。该方法提升了预测性能和不确定性校准能力，增强了地球观测中的不确定性量化。

本研究探讨了人工智能在系统动力学建模中的偏差与数据缺失问题，提出技术正确性和遵循指令作为评估指标。研究表明，gpt-4.5-preview在因果翻译和遵循指令方面表现优异，显示出AI工具在动态建模中的潜力，并强调了标准化评估方法的必要性。

本研究探讨了物种相互作用网络中因数据缺失导致的结构特征分析不准确问题。通过分析148个真实双重网络，揭示了不同拓扑指标在数据缺失情况下的稳健性差异，尤其是社区检测算法的稳健性。这为生态网络数据分析提供了基础，推动了生态学研究进展。

本研究推出了PyPulse，一个用于生物信号插补的Python包，旨在解决传感器数据缺失问题。该包提供模块化框架，用户可通过单行代码运行工作流，并利用可视化工具比较不同方法，方便生物研究。

本研究提出了LLM-Forest框架，旨在解决医疗领域表格数据缺失填补问题，提高填补质量并降低LLM幻觉风险。实验结果验证了其有效性。

本研究提出了一种新颖的核邻近算法，旨在解决缺失非随机数据环境下的多元分布学习问题。通过分布矩阵补全框架，该算法能够在数据缺失和约束违反的情况下，一致恢复潜在分布，并对异方差噪声表现出色，显著提高了效果。

本文探讨了神经网络中的不确定性问题，提出了基于贝叶斯原理的反演方法和监督期望最大化框架（SEMF）等多种提高预测准确性和可靠性的方法。研究表明，这些方法在处理输入噪声和数据缺失时，能够有效生成更精确的预测区间，并在多个数据集上验证了其优越性。

本研究提出了一种随机ARMA模型，通过将经典ARMA模型转化为有向图形式，利用EM算法进行参数学习和预测，尤其在数据缺失情况下表现优越。实验结果显示，该模型在平滑和预测精度上均有显著提升，并探讨了非平稳系统分析及相关算法的统一，推动了非平稳现象的研究进展。

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。

本文介绍了多种机器学习模型及其在不同任务中的应用，包括PMI-Masking、混合效应模型、TabMT和遮盖轨迹模型。这些模型在处理数据缺失、提高翻译质量和优化决策方面表现出色，展示了在预训练和下游任务中的有效性。

本研究提出了一种新型深度学习方法用于肿瘤分割，针对数据缺失问题，结合3D U-Net和多模态变分自编码器构建新的网络结构。同时，研究探讨了多模态动作识别中的模态缺失，提出数据增强和基于Transformer的融合方法，以提升模型的鲁棒性和性能。

本文探讨了通过精心设计的方案提高观察性研究的因果推断准确性，涉及数据缺失和协变量分析等问题，并提出解决方案。研究结合随机对照试验与观察数据，分析治疗效应的估计方法，强调未观察到的混杂因素对因果结论的影响，并提出新的统计检验策略以量化这些因素。

PROFHIT提出全概率层次预测模型，引入Distributional Coherency正则化，实现鲁棒和校准的预测，适应变化的层次一致性，数据缺失时仍可提供可靠预测。在广泛数据集上，该模型比其他方法提高41-88％的准确性和校准性能。