Variational Autoencoder-Based Imputation for COVID-19 Clinical Data

Este trabalho apresenta um modelo para imputação de dados incompletos em conjuntos de dados tabulares baseado em codificadores automáticos variacionais (VAEs). O método proposto emprega uma rede neural capaz de aprender representações latentes de dados e reconstruir probabilisticamente valores ausentes. O modelo foi treinado utilizando dados pré-normalizados e máscaras que sinalizam a presença de valores ausentes. O desempenho foi medido comparando as imputações aos valores verdadeiros, com base em métricas de erro de reconstrução e de classificação.