当缺失模式依循图结构：超越用于缺失特征的 Feature Propagation

基于摘要分析。本文研究 GNN 在节点特征缺失时的建模问题，重点关注缺失指示变量之间受图结构影响的依赖，而非各特征条目独立、均匀缺失的设置。作者形式化了 graph-structured mask dependence，提出可控的缺失生成机制，并提出 PEMix，以全局结构表示为不完整节点特征的概率模型提供条件信息。 核心机制与对照：既有图特征补全方法利用节点特征与图结构的关系，沿图边传播已观测特征值。本文关注的另一种依赖是缺失本身可能在相连节点间聚集，例如传感器网络的局部感知故障。作者通过理论与实证研究报告，传播式方法在此类缺失设置下的有效性，相比均匀随机缺失情形会发生明显变化。PEMix 不采用传播观测值的思路，而是在消息传递之前，利用全局结构表示对不完整节点特征进行概率建模；具体概率分布、训练目标、结构表示构造和推理流程尚未验证。 结果与证据边界：作者报告，在可控的图结构相关缺失及自然发生的缺失实验中，PEMix 对复杂缺失模式保持鲁棒性，且在缺失严重时表现尤为突出。摘要未提供数据集、缺失比例、评价指标、具体基线或数值，实验协议、消融及统计信息尚未验证，因此不能判断优势幅度及其适用边界。 平台推测（待验证）：假设 EEG 通道可作为图节点、通道特征作为节点属性，空间相邻通道的联合失效可能对应本文的图结构相关缺失。可复用的是结构化缺失生成与评估思路；特征概率模型及图表示则需适配 EEG 的时间动态、通道布局和跨被试差异。低信噪比、小数据及图结构与实际故障模式不一致，可能使结构条件信息失效。一个可检验的小实验是在固定 EEG 任务与数据划分下，以相同缺失比例比较独立随机缺失和相邻通道成簇缺失，考察 PEMix 与传播式补全的任务性能变化；相关 EEG 工作尚未检索确认。