DAMR：用于多变量时间序列缺失值插补的动态邻接矩阵表示学习

基于摘要分析。本文研究基于地理位置的传感器多变量时间序列缺失值插补，针对既有图神经网络插补方法将位置间空间相关性视为静态的假设，提出 Dynamic Adjacency Matrix Representation（DAMR），以动态邻接矩阵描述随时间变化的空间相关性。 机制上，DAMR 将空间相关性建模为恒定成分、长期趋势与周期模式的组合，提取不同动态模式并表示为邻接矩阵，再聚合这些矩阵，输入图表示学习层以预测缺失值。其关键思路是让传感器关系随时间变化，而非仅依赖固定空间关系。摘要未提供各类模式的参数化方式、矩阵聚合方法、损失函数及训练和推理细节。 作者报告，在六个真实世界数据集的缺失值插补实验中，相较所比较的最先进方法，DAMR 的 MAE 最大相对降低 19.4%。摘要未列出数据集名称、具体基线、缺失机制、缺失比例与数据划分，因此这一最大改善不能视为所有数据集或协议下的平均收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 通道间依赖存在可学习的时变结构，该机制可能用于多通道 EEG 缺失片段插补，但这是迁移假设，不是论文已验证的 BCI 效果。可复用部分是多模式邻接矩阵及其聚合思路，需改造的是地理位置关系表征与适合 EEG 的时间尺度、通道关系及缺失掩码。低信噪比、跨被试差异、通道配置变化和小数据可能使动态图学习不稳定，长期趋势与周期假设也未必适用于 EEG。可先在固定被试内划分及相同人工缺失掩码下，比较动态邻接与静态邻接版本的插补 MAE，以检验动态关系是否带来可重复收益。已有 EEG 相关工作尚未检索确认。