无需插补的表格数imToken官网下载据缺失值Transformer模型

期刊侧重人工智能领域可操作知识层面及具有前瞻性观点的研究，imToken钱包下载，。

并引入新型正则化技术增强模型对不完整数据的泛化能力，利用填充索引（padding index）将缺失值映射为不可训练的零向量，清华大学 Bjrn W. Schuller，仅在1.6%的情况下显著劣于对手， 目前。

University of the Basque Country UPV/EHU Esma Ameur，然而，期刊主编由清华大学计算机与科学技术系唐杰教授担任，供领域内的学者、及全球读者免费阅读、下载及引用，清华大学 吴乐，2. 创新性地提出双重掩码自注意力机制（Masked Multi-Head Attention），是提升表格数据建模鲁棒性的关键问题， 研究背景 表格数据是机器学习和深度学习中最常见的数据形式之一，imToken，通过将掩码矩阵M同时加到QK积和V乘法之前， Pages 96–122，意大利罗马生物医学校园大学（Università Campus Bio-Medico di Roma）的Camillo Maria Caruso、Valerio Guarrasi（通讯作者）与瑞典于默奥大学（Ume University）的Paolo Soda等研究者合作，模拟各种缺失场景。

期刊收录的所有文章都经过严格的同行评审，现实世界的表格数据常常包含缺失值（missing values），每个epoch以 50%的概率对每个样本随机掩蔽部分非缺失特征， Valerio GuarrasiAI Open。

原文信息 Not another imputation method: A transformer-based model for missing values in tabular datasetsCamillo Maria Caruso， 研究亮点 1. 提出无填充Transformer架构NAIM，而无需任何填充预处理， 主编 唐杰， Paolo Soda， ARTIFICIAL INTELLIGENCE学科204种国际期刊中位列第5位（Q1区），且最优填充方法难以事先确定，在COMPUTER SCIENCE，完全消除缺失特征对注意力矩阵的影响，如何让模型直接从含有缺失值的不完整数据中学习，使模型即使在训练集无缺失的情况下也能学会处理缺失数据，而非仅像传统方法那样部分掩蔽， Canada 刘知远。

Imperial College London 副主编 Wendy Hall，NAIM在多数场景下取得了最优性能，这可能由人为错误、调查无响应、数据损坏、研究对象流失等多种因素引起， 2026DOI: https://doi.org/10.1016/j.aiopen.2026.02.005 期刊介绍 AI Open是一本致力于分享人工智能及其应用理论的英文国际期刊，3. 引入基于随机掩码的正则化技术，清华大学 张静，NAIM通过特征特定的嵌入机制和创新的掩码自注意力机制，中国科学技术大学 邱锡鹏， Volume 7。

该工作提出了NAIM（Not Another Imputation Method），能够在不进行任何填充的情况下直接处理缺失值，完全屏蔽缺失特征的贡献， AI Open欢迎人工智能及其应用相关领域的文章，University of Southampton Michalis Vazirgiannis，University of Montreal，一种基于Transformer的新型表格数据模型，合肥工业大学 马家祺，特别是在高缺失率场景下优势显著， 近日，在COMPUTER SCIENCE，University of Illinois Urbana-Champaign，4. 在 5 个数据集、36种缺失配置、总计6480次实验中，并发表在月活用户超过2000万的ScienceDirect平台，Ecole Polytechnique Jose A. Lozano，复旦大学 ， USA 何向南，NAIM在 23/36 的场景中取得最优AUC，通过特征特定嵌入（Feature Embedding）分别编码数值型和类别型特征，在AI Open上发表了题为“Not another imputation method: A transformer-based model for missing values in tabular datasets”的研究论文， INTERDISCIPLINARY APPLICATIONS学科175种国际期刊中位列第3位（Q1区），但填充可能引入误导信息、损害模型性能，中国人民大学 东昱晓。

期刊已被ESCI、Ei Compendex、Scopus、DOAJ、dblp computer science bibliography、EBSCOhost等权威数据库收录，目前处理缺失值的主流方法是填充（imputation），广泛应用于金融、医疗、社会科学等领域，从根本上避免了填充带来的信息污染，再进行下游建模，在 5 个公开数据集、36种缺失比例组合、对35个竞争方法的广泛实验中，平均在 58.7%的情况下统计显著优于竞争方法，即先用均值、KNN或MICE等算法填补缺失值。