M-Impute：用于缺失值插补的掩码引导表征学习

该研究针对缺失值插补，提出在嵌入初始化阶段显式利用缺失信息，并在学习过程中联合建模特征与样本相关性的方法。基于摘要分析；来源标题使用 M-Impute，摘要中的方法名为 M³-Impute，两者命名差异尚待全文核对。 方法将数据表示为二部图，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，再由 feature correlation unit（FRU）与 sample correlation unit（SRU）建模特征和样本相关性，以支持插补。其主要研究对象是一般数据的缺失值处理，而非 EEG 或 BCI。摘要未给出二部图的具体节点与边定义、掩码构造、损失函数或推理流程，相关实现细节尚未验证。 作者报告，在 25 个基准数据集、三种缺失设置下，按摘要的平均 MAE 汇总口径，取得 20 项最优和 4 项次优结果。数据集名称、三种缺失设置的定义、缺失比例、数据划分、对照方法及平均方式均尚未验证，不能据此判断特定缺失机制下的收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是假设缺失掩码与特征—样本相关性能够辅助 EEG 缺失数据恢复；这一假设依赖可比较的样本—特征结构及足够的观测数据。可复用思路是缺失信息感知初始化与相关性建模，但 EEG 的时间、通道结构及跨被试差异需要专门适配。低信噪比、小数据和整通道缺失可能使相关性估计失稳，插补误差较低也不等于保留了任务相关神经信息。一个可检验的小实验是在固定 EEG 数据划分下，仅使用训练集构建插补模型，对测试数据施加随机点缺失与整通道缺失，同时比较恢复误差和下游任务表现。已有 EEG 相关工作尚未检索确认。