基于GAN的纵向数据插值：挑战及其对分类的影响

纵向数据常用于健康、医学、教育和调查研究等多个领域。这种广泛性导致统计方法、机器学习方法和深度学习方法在纵向数据分类（LDC）方面日益增长。然而，数据呈多维、实例层面异质性和时序相关性，使得纵向数据分析复杂。此外，LDC准确率常受纵向数据中缺失值普遍存在的影响。尽管已有研究利用生成对抗网络（GAN）的生成能力和实用性来解决缺失数据问题，但仍需关注纵向数据及其缺失情况的统计假设，以及诸如类别不平衡和混合数据类型等数据层面的挑战，这些挑战影响纵向数据插值（LDI）及随后的LDC过程。本文提供了GAN在LDI中应用的全面概述，重点关注GAN是否从LDC角度充分解决了关于数据的基本假设。我们对GAN-based LDI的主要方法进行分类，概述方法的优势与局限，确定关键研究趋势，并提供前景方向。我们的发现表明，尽管GAN在LDI方面显示出巨大潜力，可提高纵向数据在诸如LDC等任务中的可用性和质量，但仍需更灵活的方法来处理纵向数据在缺失值情况下的更广泛挑战。通过综合当前知识并识别关键研究空白，本综述旨在指导未来研究工作，开发更有效的GAN-based解决方案以解决LDC挑战。