本文提出了一种基于高斯共轭模型的时间高斯共轭模型（TGC），用于临床多变量时间序列数据中的缺失值插补。通过期望最大化（EM）算法，TGC在不同缺失率的数据上表现出更强的鲁棒性和优越的性能，实验结果表明其插补效果明显优于现有方法。

本文介绍了一种新的离线值排名算法，通过统一的期望最大化框架，提高用户长期回报和排名效率。理论和实验表明，该算法在无在线交互的情况下优化学习策略，提升未来回报和排名效果。