IVGAE：用于不完整异构数据的变分图自编码器
机器学习
2025-12-01 v1
摘要
处理缺失数据仍是实际表格数据集中的根本性挑战，尤其当数据具有数值和类别特征的异构性时。现有的插值方法往往难以捕捉复杂的结构依赖关系，并有效处理异构数据。我们提出了\textbf{IVGAE}，一种用于不完整异构数据稳健插值的变分图自编码器框架。IVGAE构建了一个二分图来表示样本-特征关系，并应用图表示学习来建模结构依赖关系。其关键创新在于采用\textit{双解码器架构}，其中一个解码器用于重建特征嵌入，另一个解码器用于建模缺失模式，从而提供对缺失机制敏感的结构先验。为更好地编码类别变量，我们引入了基于Transformer的异构嵌入模块，避免使用高维独热编码。在16个真实数据集上的大量实验表明，IVGAE在MCAR、MAR和MNAR缺失情景下（缺失率不足30%），在均方根误差(RMSE)和下游F1分数上均实现了一致的改进。代码和数据已提供：https://github.com/echoid/IVGAE。
引用
@article{arxiv.2511.22116,
title = {IVGAE: Handling Incomplete Heterogeneous Data with a Variational Graph Autoencoder},
author = {Youran Zhou and Mohamed Reda Bouadjenek and Sunil Aryal%},
journal= {arXiv preprint arXiv:2511.22116},
year = {2025}
}