精选理由
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。
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。
AI 翻译 · 中文
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。
Missing value imputation is a fundamental task in machine learning, with most existing methods assuming that all missing entries correspond to unobserved regular values. In many real-world datasets, however, missingness …