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。

本研究分析了数据缺失对物种相互作用网络结构特征的影响，研究了148个双重网络，揭示了不同拓扑指标的稳健性差异，尤其是社区检测算法的稳健性，为生态网络数据分析奠定基础。

本研究提出了一种名为NeuralPrefix的新方法，能够在高达50%的数据缺失率下准确恢复缺失样本，展现出良好的泛化能力。

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DiffLight模型，旨在解决交通信号控制中的数据缺失问题。该模型通过部分奖励条件扩散框架，有效捕捉交叉口的时空依赖性，提升了控制性能。实验结果表明，其在多种缺失场景下表现优异。

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。

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。