MISNN: Multiple Imputation via Semi-parametric Neural Networks
MISNN：基于半参数神经网络的多重插补AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主体是通用缺失数据插补、特征选择及神经网络框架，未明确针对因果、面板、分布效应或其他所列细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
MISNN：基于半参数神经网络的多重插补
- 研究问题
- 在高维缺失数据中，如何将特征选择与多重插补结合，降低计算负担，同时改善插补质量及后续统计分析的可靠性。
- 方法与思路
- 作者提出MISNN算法，利用神经网络的逼近能力结合特征选择；摘要称框架兼容不同选择方法、网络结构、数据维度和缺失模式。
- 材料陈述的贡献
- 摘要称，经验实验中MISNN相较贝叶斯Lasso、矩阵补全等方法，在插补准确率、统计一致性和计算速度方面表现出优势。
- 阅读关注点
- 应核对半参数结构、插补随机性和特征选择如何结合，缺失机制的假设，以及下游估计偏差、区间覆盖率和计算比较设计。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未说明缺失机制与理论条件，兼容一般缺失模式不等于所有机制下均有效。
原文摘要
Multiple imputation (MI) has been widely applied to missing value problems in biomedical, social and econometric research, in order to avoid improper inference in the downstream data analysis. In the presence of high-dimensional data, imputation models that include feature selection, especially $\ell_1$ regularized regression (such as Lasso, adaptive Lasso, and Elastic Net), are common choices to prevent the model from underdetermination. However, conducting MI with feature selection is difficult: existing methods are often computationally inefficient and poor in performance. We propose MISNN, a novel and efficient algorithm that incorporates feature selection for MI. Leveraging the approximation power of neural networks, MISNN is a general and flexible framework, compatible with any feature selection method, any neural network architecture, high/low-dimensional data and general missing patterns. Through empirical experiments, MISNN has demonstrated great advantages over state-of-the-art imputation methods (e.g. Bayesian Lasso and matrix completion), in terms of imputation accuracy, statistical consistency and computation speed.