Deep Learning Imputation for Multivariate Longitudinal Data: A Systematic Review of Model Variants, Evaluation Practices, and Translation Gaps
This systematic review identifies DL-based imputation methods for multivariate longitudinal/panel data, summarizes the landscape of model variants, and evaluates reporting and evaluation practices relevant to real-world adoption. We extracted study-level and dataset-level evaluation characteristics. 86 studies with distinct DL imputation variants are proposed, often GAN-based (n=26), RNN-based (n=23), and Transformer-based (n=13). Multiple imputation was uncommon (8/86 studies), missingness mechanisms were rarely stated (28/185 datasets), and evaluations relied on masking-based simulations (164/185), typically MCAR-style random deletion (156/185). Practical translation is limited by sparse uncertainty quantification, inconsistent reporting, and evaluation realism.
Imputation par apprentissage profond pour les données longitudinales multivariées : revue systématique des variantes de modèles, des pratiques d'évaluation et des écarts de traduction
Cette revue systématique identifie les méthodes d'imputation basées sur l'apprentissage profond pour les données longitudinales/panel multivariées, résume l'ensembe des variantes de modèles et évalue les pratiques de reportage et d'évaluation pertinentes pour l'adoption dans le monde réel. Nous avons extrait les caractéristiques d'évaluation au niveau des études et des ensembles de données. 86 études présentant des variantes distinctes d'imputation par apprentissage profond sont proposées, souvent basées sur les GAN (n = 26), les RNN (n = 23) et les transformateurs (n = 13). L'imputation multiple était peu courante (8/86 études), les mécanismes de données manquantes étaient rarement mentionnés (28/185 ensembles de données) et les évaluations reposaient sur des simulations basées sur le masquage (164/185), généralement des suppressions aléatoires de type MCAR (156/185). La traduction pratique est limitée par une quantification clairsemée de l'incertitude, des rapports incohérents et le réalisme des évaluations.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English