Dans cet article, nous nous intéressons à l'entraînement de réseaux de neurones dans un contexte de données incomplètes Nous cherchons à améliorer l'entraînement des réseaux de neurones en réduisant les biais potentiels pouvant survenir durant la phase d'apprentissage sur des jeux de données artificiellement complétés. Nous proposons deux frameworks d'imputation, SHOT et M-HOT, pouvant être utilisés pour entraîner des réseaux neuronaux sur des données complétées de manière moins biaisée. Nous réalisons des expérimentations comparatives approfondies et évaluons statistiquement les résultats. Nous montrons que les frameworks proposés sont compétitifs et même plus performants que d'autres frameworks d'imputation existants.