本文介绍了多种基于深度学习的时间序列缺失值填充方法，如BRITS、ST-Impute和PRIME。这些方法通过结合不同模型和技术，提高了缺失值插补的效果，适用于多种实际数据集。研究表明，这些新方法在处理缺失数据时优于传统方法，推动了时间序列分析的发展。

本文综述了多种时间序列缺失值填充方法，包括BRITS、GRIN和STING等。研究表明，不同方法在填补精度和任务能力上存在差异，且填补效果受数据类型和缺失情况影响。MTSCI模型和端到端神经网络模型在处理缺失数据时表现优越，具有实际应用价值。

该文介绍了一种基于Transformer的表格表示学习模型，通过利用表格特定的分词器和共享的Transformer主干来进行交叉表格表示学习。该模型通过自我监督的掩码式单元恢复目标进行缺失值填充，并在不同规模的模型上进行训练和评估。