数据清洗不仅限于删除空值和重复项，还需采用上下文感知的缺失数据策略、实体解析与文本标准化、特征提取、多变量异常值检测及自动化清洗管道，以将混乱数据转化为可靠的分析基础。

本研究探讨了多源模型在地球观测中处理缺失数据的有效性差异，发现模型性能受任务类型、数据源互补性及设计影响。有趣的是，移除某些数据源有时反而能提高预测性能，挑战了传统观念。

本文探讨了现实世界数据集中缺失数据的问题，提出了一种最小插补的方法，以减少数据插补的工作量。研究表明，该方法能有效提高机器学习模型的准确性，节省时间和精力。

本研究提出了一种新型深度学习模型BRATI，用于多变量时间序列的缺失数据插补。BRATI结合了双向递归网络和注意力机制，实验结果表明其在多种缺失场景下优于现有模型，具备更高的准确性和鲁棒性。

本研究分析了数据损坏（缺失和噪声数据）对机器学习模型性能的影响，结果显示噪声数据导致的性能下降显著高于缺失数据。虽然增加数据集规模可以缓解这一影响，但效果呈递减趋势，为构建稳健的机器学习系统提供了指导。

本研究提出MARIA模型，旨在解决医疗领域多模态数据整合中的缺失数据问题。该模型采用中间融合策略，通过掩蔽自注意机制处理可用数据，避免生成合成值。实验结果表明，MARIA在多个诊断和预测任务中优于现有方法，展现出在医疗应用中的潜力。

本研究探讨了纵向健康与行为感知研究中的缺失数据处理，强调补全策略的重要性，能够显著提升研究结果，最高可使抑郁症预测的AUROC提高31%。

本文提出了多种处理缺失数据的方法，包括基于去噪深度自编码器的插补模型、生成模型的联合概率分解方法以及新型扩散模型DiffImpute与DiffPuter。这些方法在不同数据集上表现优越，显著提高了插补准确性和模型性能，适用于多种缺失数据场景。

本研究分析了71位临床医生在处理缺失数据时与可解释机器学习模型的互动，发现医生更倾向于使用能够原生处理缺失值的模型，并建议未来的模型应更好地融入临床直觉。

本研究提出了一种模块化的深度学习方法来处理电子健康记录（EHR）中的缺失数据。通过独立评估数据填补器和分类器的质量，结果表明优化的填补器与简单分类器的组合能够有效提高缺失数据处理的效率和分类任务的准确性。

本研究提出了DiffLight模型，旨在解决交通信号控制中的缺失数据问题。该模型结合部分奖励条件扩散框架，显著提升了在数据缺失情况下的控制性能，实验结果表明其在多种场景下表现优越。

本研究提出了一种图信号自适应消息传递（GSAMP）方法，旨在解决在线预测、缺失数据填补和噪声去除问题。该方法通过局部计算显著提升了在高斯和脉冲噪声条件下的信号处理效果，展现了实际应用的潜在价值。