在实际应用中，缺失数据的情况普遍存在，因此有效的插补成为下游分析的重要预处理步骤。现实世界的数据集通常展现出复杂的潜在结构，由多个具有不同分布的子群组成。然而，现有的方法往往忽视了这种人口异质性。在没有明确结构指导的情况下，这些方法倾向于产生模糊的估计，模糊了子群的边界，缺乏实例级的保真度。虽然引入子群信息可以提供补救，但这面临着循环依赖的问题：可靠的子群识别需要完整数据，而数据完成本身就是插补的目标。为了解决这个问题，我们提出了CAGI（Cluster-Aware Generative Imputation），一个将聚类与插补重构为相互促进的共同优化过程的框架。CAGI采用了"Partition-Guide-Restore"策略，其中动态的聚类分配作为局部先验来条件化生成对抗网络。通过建立迭代反馈循环，逐步细化聚类结构和插补值，朝着忠实的子群分布发展。为了确保分布的稳定性，CAGI还采用了一个多层次的优化目标，结合实例级重建与分布级正则化。在14个基准数据集上进行的大规模实验与15个代表性基线的比较中，CAGI展现出了优越的性能。源代码可在此获取：CAGI GitHub。
博主点评： CAGI框架通过将聚类与插补结合，使得在缺失数据的情况下能够更准确地恢复子群分布，解决了传统方法中的循环依赖问题。这一创新方法在多个基准数据集上的表现优异，展示了其在缺失数据处理中的巨大潜力。值得关注的是其在生成对抗网络中的应用，可能为未来的研究提供新的思路。