11:05arXiv cs.LG@Lixing Zhang, Yidong Ouyang, Weifu Li, Shixiang Zhu, Guang Cheng, Liyan Xie传统缺失值填补方法假设所有缺失都是随机且应被恢复,但现实中缺失可能来自两种不同来源:有意义缺失(数据本身不存在)和观测缺失(应被填补)。研究者提出Diff-Joint,一个基于扩散的框架,联合建模表格数据与潜在缺失掩码,通过条件采样和不确定性感知聚合迭代优化填补值与缺失标签。实验表明,该方法能有效识别有意义缺失,同时保持竞争性填补精度并提升下游任务性能。论文缺失值填补扩散模型不确定性感知表格数据Diff-Joint推荐理由:处理表格数据的团队终于有了区分“不该填”和“该填”缺失值的工具——Diff-Joint解决了传统填补方法盲目恢复所有缺失的痛点,做数据清洗或医疗、金融等缺失值有语义含义的开发者可以直接试。原文