arXiv cs.AI· Enrico Chial\`a, Francesco Ferrini, Antonio Longa, Bruno Lepri, Filippo Maria Bianchi, Manfred Jaeger, Veronica Lachi·· 3 天前AI 评分22
当缺失性沿图传播：PEMix 超越特征传播的缺失特征处理方法
When Missingness Follows the Graph: Beyond Feature Propagation for Missing Features
AI 导读
针对图神经网络中缺失特征沿图边传播的现实场景，研究者形式化了"图结构掩码依赖"这一概念，并发现基于传播的现有方法在该设定下效果与均匀随机缺失时差异显著。为此提出 PEMix，不再传播观测值，而是用全局结构表示对不完整节点特征的概率模型进行条件化，再执行消息传递。在受控图结构缺失与自然缺失实验中，PEMix 在复杂缺失机制下保持稳健，缺失越严重表现越突出。
正文 · AI 翻译
摘要：图神经网络（GNN）通常假设节点特征被完全观测，然而特征缺失在现实应用中普遍存在。通过利用节点特征与图结构之间的依赖关系，现有的图特定方法沿图边传播已观测的特征值来处理缺失。然而，这些方法主要在过于乐观的设定下进行评估，即特征条目在图上是独立且均匀地移除的。这忽略了现实场景中缺失会在相连节点之间传播的情况，例如传感器网络中出现局部传感故障时。我们将这一互补概念形式化为图结构掩码依赖，即缺失指示变量的联合分布由图所塑造，并引入一种受控机制来实例化该设定。我们在该设定下从理论和实证两方面研究基于传播的方法，表明其有效性相比均匀随机情形发生了显著变化。受此局限性的启发，我们提出 PEMix，旨在具有挑战性的图结构缺失下仍保持有效。PEMix 不传播已观测值，而是在消息传递之前使用全局结构表示来为不完整节点特征的概率模型提供条件。在受控图结构缺失和自然发生的缺失下的实验表明，PEMix 在复杂的缺失机制下保持稳健，且当缺失变得严重时性能尤为突出。
| 评论： | 29 页，3 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.18113 [cs.LG] |
| （或 arXiv:2610.18113v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18113 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Antonio Longa [查看邮箱]
[v1]
2026 年 10 月 13 日星期二 10:25:03 UTC（297 KB）
来源：arXiv cs.AI · arxiv.org