从含有系统性缺失值的数据中进行贪心结构学习

基于摘要分析。本文研究含系统性缺失值的数据中的 Bayesian Network（BN，贝叶斯网络）结构学习，提出三个贪心搜索变体，利用成对删除与逆概率加权，尽量利用已观测数据并限制缺失造成的潜在偏差。研究对象是一般数据中的概率图结构学习，并非直接面向 EEG 或 BCI 的算法。 方法针对常见缺失数据处理依赖随机缺失假设的问题，重点考虑非随机缺失情形。成对删除使相关计算能够利用相应变量的可观测样本，逆概率加权则用于偏差控制；具体评分函数、权重估计方式及缺失机制所需假设尚未验证。摘要将前两个变体描述为第三个变体的简化形式，用于展示结构学习准确性的逐步改善。 作者报告，在其随机缺失与非随机缺失实验条件下，所提方法的结构学习准确性和效率均优于 Structural EM，且第三个变体表现最好。摘要未提供数据集、样本规模、缺失比例、指标定义或具体数值，实验协议、消融及统计信息尚未验证；这一结果不能直接解释为对所有非随机缺失机制均有效。 平台推测（待验证）：若 EEG 特征表中的缺失与伪迹剔除或信号质量有关，该机制可能用于探索缺失条件下的特征依赖结构。可复用的是缺失感知的结构搜索思路，需改造或核对的是连续 EEG 特征的评分方式、缺失概率估计及时间依赖处理。低信噪比、小样本和被试差异可能使结构估计不稳定，极低观测概率还可能导致权重方差增大。一个可检验的假设是：在固定被试内划分的完整 EEG 特征表上，分别注入随机缺失和依赖特征幅度的非随机缺失，比较各变体与 Structural EM 相对完整数据参考图的结构偏差及运行时间；参考图不应视为真实脑连接。已有 EEG 相关工作尚未检索确认。