불규칙하고 희소한 임상 종단 기록에서 발생하는 결측값 문제를 해결하기 위해, SafeImpute는 환자 내 시간적 궤적과 환자 간 임상적 유사성을 이벤트 그래프로 모델링하고 이중 관계 GNN으로 대체 보정(imputation)을 수행한다. 여기에 더해 컨포멀 선택(conformal selection)과 Benjamini–Hochberg 절차를 결합하여 공개된 대체값 중 임상적으로 허용 불가한 오류의 위발견율(FDR)을 통계적으로 제어하며, Mayo Clinic, MIMIC-III, MIMIC-IV 데이터셋 실험에서 다양한 기준 모델을 능가하는 성능을 보였다.
PSyGenTAB은 증대 라그랑주 방법(Augmented Lagrangian Method)으로 풀 수 있는 제약 최적화(constrained optimization) 문제로 합성 임상 표(tabular) 데이터 생성을 정의하고, 학습 과정에 구성 가능한 프라이버시 제약을 직접 넣어 최소 프라이버시 임계값을 지키면서 임상 데이터 유용성을 최대화한다. 여러 임상 벤치마크에서 특징 간 임상 관계와 소수 클래스 진단 패턴을 보존했고, 합성 데이터로 학습한 모델은 실제 환자 기록으로 학습한 모델과 유사한 성능을 보였으며, 레코드 재현 감소와 멤버십 추론 공격(membership inference attack) 저항성도 확인되었다.