M-Impute：用于缺失值插补的掩码引导表征学习

基于摘要分析。本文研究一般数据的缺失值插补，提出 M³-Impute，通过掩码机制将缺失信息纳入嵌入初始化，并结合特征与样本相关性学习完成插补。来源标题使用 M-Impute，摘要中的方法名为 M³-Impute，二者命名差异尚待核对。 方法将数据表示为二部图，利用图神经网络学习节点嵌入；初始化过程直接引入缺失信息，随后通过 feature correlation unit（FRU）与 sample correlation unit（SRU）优化表示，分别捕捉特征和样本之间的相关性。其主要方法主张是同时利用缺失模式及两类相关结构，而不只是依据已观测值学习表示。具体二部图构造、掩码方案、损失函数及训练与推理流程，摘要未展开。 作者报告，在 25 个基准数据集、三种缺失设置下，按摘要所述的平均 MAE 比较，方法取得 20 项最佳和 4 项次佳结果。摘要未说明三种缺失设置的定义、缺失比例、数据划分及对照方法，因此不能将该结果解释为特定缺失机制下或 EEG 数据上的已验证优势；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 的样本或时间窗组织为行、通道或特征组织为列，该方法可能用于缺失通道或特征插补，复用缺失信息编码与相关性学习模块。但这是假设，需调整图构造以表达时间和空间结构；低信噪比、跨被试分布差异及小样本可能使相关性估计失效。可在固定被试内划分、仅以训练集拟合的条件下，人工遮蔽原本可观测的通道片段，与简单插补基线比较重建 MAE，并检查对下游任务的影响。已有 EEG 相关工作尚未检索确认。