重新思考 GNN 与缺失特征：挑战、评估与鲁棒解决方案
机器学习
2026-05-19 v2 人工智能
摘要
处理缺失的节点特征是在医疗保健和传感器网络等现实领域部署图神经网络（GNN）的关键挑战。现有研究大多处理相对良性的场景，即基准数据集具有以下特征：高维但稀疏的节点特征，以及在完全随机缺失（MCAR）机制下生成的不完整数据。对于，我们理论上证明了高稀疏性极大限制了缺失引起的信息损失，使所有模型看起来都具有鲁棒性，从而阻碍了对它们性能的有意义比较。为克服这一局限，我们引入了一个合成数据集和三个具有密集且语义有意义特征的真实世界数据集。对于，我们超越了 MCAR，并设计了具有更现实缺失机制的评估协议。此外，我们提供了理论背景以陈述关于缺失过程的明确假设，并分析其对不同方法的影响。基于此分析，我们提出了 GNNmim，一种简单而有效的针对不完整特征数据的节点分类基线方法。实验表明，在不同数据集和缺失机制下，GNNmim 与专门架构相比具有竞争力。
引用
@article{arxiv.2601.04855,
title = {Rethinking GNNs and Missing Features: Challenges, Evaluation and a Robust Solution},
author = {Francesco Ferrini and Veronica Lachi and Antonio Longa and Bruno Lepri and Matono Akiyoshi and Andrea Passerini and Xin Liu and Manfred Jaeger},
journal= {arXiv preprint arXiv:2601.04855},
year = {2026}
}