تُعد مشكلة البيانات المفقودة (Missing Data) من التحديات الأساسية التي تواجه علم البيانات، حيث تؤثر بشكل كبير على التحليل واتخاذ القرارات في مجالات متعددة، بدءًا من الرعاية الصحية (Healthcare) إلى علوم المعلومات الحيوية (Bioinformatics) وحتى التجارة الإلكترونية (E-commerce). على الرغم من الأبحاث المتعددة والطرق العديدة لحل هذه المشكلة، إلا أن الأدبيات المتعلقة بها لا تزال مجزأة عبر المجالات، مما يبرز الحاجة الماسة إلى مراجعة شاملة تُسهم في ربط الأسس الإحصائية (Statistical Foundations) بالتقدمات الحديثة في مجال التعلم الآلي (Machine Learning).

تقدم هذه الدراسة مراجعة منهجية للمفاهيم الأساسية المتعلقة بالبيانات المفقودة، بما في ذلك آليات الفقد (Missingness Mechanisms) والاختيار بين الإكمال الفردي (Single Imputation) ومضاعف (Multiple Imputation)، فضلاً عن الأهداف المتنوعة للإكمال. كما يتم استعراض خصائص المشكلة عبر مختلف المجالات، والذي يساهم في تصنيف أساليب الإكمال (Imputation Methods) بشكل شامل، بدءًا من التقنيات الكلاسيكية مثل الانحدار (Regression) وخوارزمية EM، وصولاً إلى النهج الحديثة مثل إكمال المصفوفات منخفضة وعالية المرتبة، ونماذج التعلم العميق مثل الشبكات التنافسية التوليدية (GANs) والنماذج الانتشارية (Diffusion Models) والشبكات العصبية البيانية (Graph Neural Networks) ونماذج اللغات الضخمة (Large Language Models).

تلقى الأساليب المخصصة للبيانات المعقدة، مثل التنسورات (Tensors) وسلاسل الزمن (Time Series) والبيانات البثية (Streaming Data) والبيانات الهيكلية البيانية (Graph-Structured Data) وتلك متعددة الوسائط (Multimodal Data)، اهتمامًا خاصًا في هذا البحث.

علاوة على ذلك، نستكشف التكامل الحيوي بين الإكمال والمهام التالية مثل التصنيف (Classification) والتجميع (Clustering) واكتشاف الشذوذ (Anomaly Detection)، حيث ننظر إلى كل من خطوط الأنابيب التسلسلية (Sequential Pipelines) وأطر التحسين المشترك (Joint Optimization Frameworks). كما تقوم المراجعة أيضًا بتقييم الضمانات النظرية (Theoretical Guarantees) وموارد المعايرة (Benchmarking Resources) ومقاييس التقييم (Evaluation Metrics).

وأخيرًا، يُحدد البحث التحديات الحرجة والاتجاهات المستقبلية، مُؤكدًا على الحاجة إلى اختيار النموذج (Model Selection) وتحسين معلمات النموذج (Hyperparameter Optimization)، وتزايد أهمية الإكمال المحافظ على الخصوصية عبر التعلم الموزع (Federated Learning)، والسعي نحو نماذج قابلة للتعميم يمكن أن تتكيف عبر المجالات وأنواع البيانات المختلفة، مما يوفر خارطة طريق للبحث المستقبلي.