H-HRGAN: Knowledge Graph-Driven Representation for Missing Value Imputation

Hanlin Deng

doi:10.1016/j.eswa.2025.130067

H-HRGAN: Knowledge Graph-Driven Representation for Missing Value Imputation

2025-10-21

0

PRE

AI

DOI：10.1016/j.eswa.2025.130067

原文链接

原文求助

摘要

En 中文

• H-HRGAN框架：我们引入了一种异构-同质关系图注意力网络（H-HRGAN），这是一种专为结构化数据中缺失值插补而设计的新框架。通过将离散特征值表示为节点并将属性表示为关系，H-HRGAN有效捕获了复杂的语义关系和特征间依赖性，克服了传统插补方法的局限性。 • 关系子图注意力机制：我们提出了一种关系子图学习机制，通过捕捉结构化数据元素间的详细依赖性来增强基于上下文的插补，提高了缺失值预测的准确性。 • 多尺度动态卷积与通道注意力：我们利用多尺度动态卷积通过图神经网络（GNNs）提取向量信息，并采用通道注意力机制为不同卷积尺度分配不同权重，进一步提升了实体-关系交互的建模能力。 • 实验验证：在多种真实世界数据集上的广泛实验表明，H-HRGAN在缺失值随机（MAR）和缺失值非随机（MNAR）条件下均显著优于当前最先进的插补方法，实现了更高的准确性和鲁棒性，尤其适用于具有复杂依赖关系的结构化数据。

H-HRGAN: Knowledge Graph-Driven Representation for Missing Value Imputation

摘要

期刊

机构

引用论文