综述：缺失数据处理方法的分类体系综述

《Machine Learning and Knowledge Extraction》：A Comprehensive Survey of Missing Data-Handling Methods from a Machine Learning Perspective

　　随着大数据时代的到来，数据变得越来越重要，尤其是在许多数据质量至关重要的机器学习任务中。然而，在许多现实世界的应用中，数据缺失是不可避免的，这使得其处理成为一个具有挑战性的问题。尽管已经存在一些综述，但它们要么将其视为统计问题，要么仅关注传统机器学习方法。本文综述提出了一种新颖的缺失数据处理方法分类体系。根据特征缺失或标签缺失，我们将其分为特征缺失处理方法与标签缺失处理方法。对于特征缺失处理方法，我们进一步将其分为四类：传统方法、深度学习方法、软计算方法以及大语言模型缺失数据处理方法。每一类又进一步细分，介绍其代表性方法。对于标签缺失处理方法，我们关注标签补全，并区分主动学习（从专家处选择不可用标签进行获取）与半监督学习（从已标注和未标注数据中估计不可用标签）。对于每一类别，我们列出了其优点、缺点及应用场景。为方便工程师和研究人员使用，我们介绍了部分常用软件。为促进一步发展，我们指出了需要深入探讨的挑战性问题。