可预测缺失参数的ML模型类型及对应机器学习范式是什么？

这类支持任意字段作为输入、补全全量缺失字段的机器学习技术，根据实现路径不同有两类主流官方命名：

• 深度学习范畴的标准名称为 表格掩码建模（Tabular Masked Modeling），属于自监督学习在表格数据领域的分支，和NLP领域的掩码语言模型（MLM）技术逻辑同源：训练阶段会随机掩码掉表格样本的任意部分字段，让模型学习通过可见字段预测掩码内容，训练完成后自然支持任意可见字段组合输入、输出所有缺失字段的预测结果。你示例中输入(FirstName: John, LastName: Doe, Sex: M, Height: (5,10))预测其他字段的需求，用TabMAE、掩码版TabNet等这类模型都可以直接实现，不需要为每个缺失字段单独训练模型，也能同时处理离散字段（如HairColor、EyeColor）和连续字段（如Weight）的预测。
• 传统机器学习范畴对应的方案是 多输出多任务预测模型，不过这类方案需要提前固定所有待预测的输出字段，无法灵活适配训练阶段未定义的输入字段组合，泛用性远低于深度学习范畴的表格掩码建模方案。

补充说明：如果你的场景只需要处理固定的字段缺失补全，不需要支持任意输入字段组合，也可以直接用常规的表格缺失值插补（Tabular Imputation）类方案，包括KNN插补、随机森林插补等传统方案都可以实现需求，部署成本更低。

内容的提问来源于stack exchange，提问作者Martin Bocanegra