多次元時系列データにおいて、欠損値は解析の高度化を妨げる要因となる。従来の補完手法は、欠損値の削除、統計的補完、機械学習に基づく補完、生成モデルによる補完などに分類されるが、これらはいずれも時系列情報の扱いが困難であるか、または複数段階にわたるプロセスを必要とするという課題を抱えている。本研究では、多次元時系列データにおける欠損値補完を一ステージで行うエンドツーエンドの生成モデルE2GANを提案する。E2GANは識別子損失（discriminative loss）と二乗誤差損失（squared error loss）を活用し、最も近い生成された完全な時系列データに基づいて、不完全な時系列データを一括して補完することが可能である。複数の実世界データセットを用いた実験により、本モデルはベースライン手法に比べて補完精度が優れており、下流の分類・回帰タスクにおいても最先端の性能を達成した。さらに、ニューラルネットワークの学習においても、複数段階型手法に比べてより高い時間効率を実現している。