M-Impute：用于缺失值插补的掩码引导表征学习

基于摘要分析。该研究面向一般数据的缺失值插补，提出以掩码引导表征学习的方法；正文将方法称为 M³-Impute，与原标题中的 M-Impute 写法不同。核心贡献是在嵌入初始化时显式利用缺失信息，并在学习过程中建模特征与样本之间的相关性。 方法将数据表示为二部图，使用图神经网络学习节点嵌入，在初始化环节纳入缺失信息，再通过 feature correlation unit（FRU，特征相关性单元）与 sample correlation unit（SRU，样本相关性单元）优化表征以完成插补。摘要未提供二部图的具体构造、掩码生成规则、损失函数及两类单元的计算细节，尚不能判断这些设计如何分别贡献于性能。 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 项最佳与 4 项次佳结果。数据集名称、缺失机制与比例、训练测试划分、对照基线以及该平均口径尚未验证，不能据此认定其在每一种缺失设置下均占优；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 整理为样本×特征矩阵，其显式缺失掩码及特征—样本相关性建模可能用于缺失通道衍生特征的插补。可考虑复用掩码初始化和相关性模块，但需改造数据表示以保留时间与通道结构；该假设依赖特征可对齐、观测信息充足及相关性可迁移。低信噪比、跨被试差异与小数据可能使相关性估计不稳定，连续通道丢失也未必符合原评估设置。可在固定被试内划分中，仅用训练集拟合插补器，在测试集模拟随机缺失与整通道缺失，对比简单插补方法，并核对插补误差及下游任务指标。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。