Hai mai chiesto come i dati ‘mancanti’ possano rivelare informazioni preziose?

Immagina di avere tre taccuini di appunti: uno per la matematica, uno per la storia e uno per le scienze. Se qualche pagina è vuota, i dati sono “mancanti”. In ambito scientifico, questo si chiama “blockwise missingness” (BM). Allo stesso tempo, ottenere etichette precise (gold‑standard) è costoso, quindi la maggior parte dei campioni resta senza etichette: è il problema “semi‑supervised” (SS). Il nuovo metodo DEFUSE affronta entrambi i problemi. Parte da un stimatore basato solo sui dati del taccuino principale, poi aggiusta progressivamente le informazioni mancanti e le sample non etichettate, riducendo l’errore senza introdurre bias. Un meccanismo di screening elimina fonti di dati non allineate, evitando che dati sfasati violino l’assunzione di missing‑at‑random. Grazie a un nuovo controllo variabile adattivo, DEFUSE gestisce i dati mancanti con efficienza intrinseca, anche quando le distribuzioni cambiano tra le fonti. Inoltre, scopre che i campioni non etichettati giocano un ruolo chiave nella regressione con dati mancanti, migliorando la precisione dell’estimazione. Il risultato è un’estimazione più affidabile, supportata da simulazioni e da due applicazioni biomediche reali. In pratica, DEFUSE trasforma dati incompleti in risorse preziose, aprendo la strada a analisi più robuste e a scoperte più rapide. Questo approccio permette ai ricercatori di sfruttare dataset grandi e eterogenei senza doverli completare manualmente, risparmiando tempo e risorse. Inoltre, la flessibilità del modello lo rende adatto a diversi campi, dalla medicina alla climatologia.

Il metodo DEFUSE si basa su un’estimazione iniziale che utilizza solo il dataset principale, poi integra iterativamente le variabili con valori mancanti e le osservazioni non etichettate. Un algoritmo di screening identifica e scarta fonti di dati non sincronizzate con la fonte principale, evitando violazioni dell’assunzione di missing‑at‑random. Un controllo variabile adattivo riduce la varianza dell’estimatore, mantenendo l’efficienza anche in presenza di shift distributivi. La ricerca ha dimostrato, tramite simulazioni su dati sintetici e applicazioni reali in ambito biomedico, che l’approccio riduce l’errore standard senza introdurre bias, migliorando la precisione delle previsioni. Questi risultati suggeriscono che DEFUSE può essere esteso a scenari di fusione dati complessi, supportando analisi più robuste in ricerca, salute e sostenibilità ambientale.