M-Impute：用于缺失值插补的掩码引导表征学习

基于摘要分析。该研究针对一般数据的缺失值插补，提出在嵌入初始化时显式利用缺失信息，并在后续学习中联合捕获特征与样本相关性。原标题使用 M-Impute，摘要将方法记为 M³-Impute，命名差异尚需核对全文。 方法首先将数据建模为二部图，通过图神经网络学习节点嵌入；初始化过程直接纳入缺失信息，随后利用 feature correlation unit（FRU）和 sample correlation unit（SRU）优化表征，以支持缺失值预测。其主要方法动机是：仅利用已观测数值可能不足，缺失模式本身以及特征、样本之间相互交织的相关性也应参与建模。具体图构造、掩码规则、损失函数与推理流程尚未验证。 作者报告，在 25 个基准数据集、三种缺失设置的评估中，按摘要所述的平均 MAE 获得 20 项最佳和 4 项次佳结果。摘要未明确数据集名称、缺失设置的定义、平均方式、数据划分及对照方法，因此不能据此判断不同缺失机制下的优势幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 试次表示为样本、提取的通道或频带指标表示为特征，该框架可能用于特征表中的缺失值插补，而非直接等同于原始 EEG 波形重建。可复用的是缺失信息感知初始化及两类相关性建模；需改造的是适应通道拓扑、时间依赖和跨被试差异的表示方式。低信噪比、整段或整通道缺失、小样本及被试差异可能削弱相关性的可靠性。 一个可检验的小实验是：先按被试划分训练与测试数据，再在原本完整的 EEG 特征上施加预先规定的随机或整通道缺失，对比均值插补及不使用缺失信息初始化的版本，同时评估缺失位置 MAE 与下游任务表现。该实验仅检验迁移假设；已有 EEG 相关工作尚未检索确认。