M-Impute：用于缺失值插补的掩码引导表示学习

基于摘要分析。该研究面向一般数据的缺失值插补，提出利用缺失状态信息以及特征、样本相关性学习表示的方法。原标题使用 M-Impute，摘要则将方法称为 M³-Impute，两者命名差异尚待全文核对。 核心机制是将数据建模为二部图，通过图神经网络学习节点嵌入，并在嵌入初始化阶段显式纳入缺失状态信息；随后利用特征相关性单元（FRU）与样本相关性单元（SRU）优化表示，用于插补。作者将其贡献定位为：通过新的掩码方案，同时处理初始化时对缺失信息的利用，以及学习过程中特征与样本相关性的耦合建模。摘要未交代图的具体构造、掩码生成规则、损失函数或推理流程。 作者报告，在 25 个基准数据集、三种缺失机制设置下，按平均 MAE 汇总获得 20 项最佳和 4 项次佳结果。摘要未说明各项排名的聚合方式、缺失比例、数据划分、对照方法及具体 MAE 数值，因此不能据此判断优势幅度或跨设置稳定性；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 表示为样本与通道或派生特征组成的数据表，该方法可能为缺失条目插补提供候选机制，可复用缺失状态编码及特征、样本相关性建模思路；但需改造数据表示，以适应时间结构、通道空间关系及跨被试差异。低信噪比、小数据和整通道缺失可能使相关性估计不稳定，原领域结果不等于 BCI 有效。一个可证伪的小实验是在固定被试内划分下，仅用训练集拟合插补器，对测试集人工遮蔽的已知条目比较 MAE，并对照简单插补及移除缺失状态初始化的版本；同时检查下游任务表现，避免仅凭重建误差判断价值。已有 EEG 相关工作尚未检索确认。