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。

本文探讨了深度神经网络中的贝叶斯参数估计，提出了一种新算法，表现优越且易于实现。研究涉及不确定性估计、生成模型和缺失值插补，展示了多种模型在分类和回归任务中的有效性和鲁棒性。

本文介绍了一种基于Transformer的无监督多元时间序列表示学习框架，适用于回归、分类、预测和缺失值插补等任务。研究表明，该方法在样本有限和计算加速方面优于监督学习，能够有效处理缺失数据和不规则采样问题，提升预测准确性。多项实验验证了其在多元时间序列建模中的优越性。

该文综述多变量时间序列缺失值插补方法，包括深度潜变量模型、概率分类框架、半监督ST-Impute、时间依赖迭代插补TDI、增强Transformer、GRU-D及图神经网络GRIN等。研究指出插补效果取决于数据类型、变量统计、缺失率与类型，需结合具体场景选择方法。

该文综述时间序列缺失值插补的深度学习方法，包括：NAOMI采用多分辨率由粗到细递归解码与对抗训练，长序列误差较自回归模型降低约60%；GRU-D利用缺失模式与时间间隔捕获长期依赖；mTAN处理稀疏不规则多变量生理数据；CTA基于连续时间自编码器表现最佳；此外还涉及深度集成分位数回归、面向医疗数据的CSAI、隐式神经表示MADS、DeepAR概率预测及CDSA跨维度自注意力等方法。