本研究提出RefiDiff框架，针对高维混合数据集中的非随机缺失值插补问题。该框架结合局部机器学习与去噪网络，显著提升性能和准确性，训练速度提高4倍，展现出优越的鲁棒性和可扩展性。

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。

本研究提出了Lab-MAE框架，旨在解决电子健康记录中缺失实验室值的插补问题，尤其是在代表性不足的群体中。通过自监督学习和结构化编码，有效建模实验室检测值及其时间戳，显著提高了临床预测的公平性和准确性，具有重要的应用潜力。