[論文レビュー] Drop the mask! GAMM-A Taxonomy for Graph Attributes Missing Mechanisms

Richard Serrano, Baptiste Jeudy+2 more|arXiv (Cornell University)|Feb 9, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

論文は GAMM というグラフ認識の欠損分類を提案し、欠損確率をノード属性とグラフ構造に結びつけ、現実のグラフ補完手法がこれらの機構下で問題を抱えることを示します。

ABSTRACT

Exploring missing data in attributed graphs introduces unique challenges beyond those found in tabular datasets. In this work, we extend the taxonomy for missing data mechanisms to attributed graphs by proposing GAMM (Graph Attributes Missing Mechanisms), a framework that systematically links missingness probability to both node attributes and the underlying graph structure. Our taxonomy enriches the conventional definitions of masking mechanisms by introducing graph-specific dependencies. We empirically demonstrate that state-of-the-art imputation methods, while effective on traditional masks, significantly struggle when confronted with these more realistic graph-aware missingness scenarios.

研究の動機と目的

• 欠損データ機構をグラフ属性付きデータへ拡張し、グラフ構造と近傍を取り入れる。
• ノード属性（A）、構造（S）、近傍属性（N）、およびそれらの組み合わせ（G）の4つの欠損源を用いた GAMM 分類を定義する。
• グラフ認識欠搛機構の下で最先端の補完法を評価し、頑健性のギャップと分布歪みを明らかにする。
• GAMM シナリオ下でのグラフ補完法を厳密に評価するためのオープンソースのコードとプロトコルを提供する。

提案手法

• 欠損確率 P(Ωij=0) を属性、構造、近傍からの入力の関数 g(.) として定義し GAMM を提案する。
• 欠損機構を MCAR, A-, S-, N-, G- に分類し、MAR および MNAR の変種を含む。
• 12 の実世界グラフで同質性の異なる欠損率（20%、50%、80%）に対してマスクを生成する。
• 表形式データ補完法（例：Tabular_Avg, OT-tab）とグラフ補完法（例：FP, GRIOT, Graph_avg, PCFI）を MAE/RMSE で評価する。
• Wilcoxon–Mann–Whitney 検定を用いて 2,304 設定の統計的有意性を評価する。
• GAMM 実験を再現するためのオープンソースコードと補足資料を提供する。

実験結果

リサーチクエスチョン

• RQ1 S- および N- ベースのグラフ認識欠損機構が、グラフと欠損率の異なる条件で再構成性能にどう影響するか？
• RQ2 同質性/異質性（ホモフィリ/ヘテロフィリ）が属性ベースの MAR と近傍ベースの MAR のギャップをどのように調整するか？
• RQ3 近傍依存の MNAR は属性ベースの MNAR と比較してどの程度深刻で、どの設定で最も顕著か？
• RQ4 これらの構造的情報を含む欠損条件下で、補完法は特徴分布を保持するか？

主な発見

• グラフ認識欠損は、表形式・グラフ補完法を問わず、46.6% の設定で補完性能を低下させる。
• 異質性は MAR ギャップを拡大し、A-MAR から N-MAR に移行する際に劣化が大きくなる。
• MNAR の下では N-MNAR が常に最も難しい領域であり、特に異質性グラフで顕著である。
• グラフ認識欠損条件下で分布忠実性が低下し、MAE/RMSE が類似していても特徴分布にバイアスが生じる。
• いくつかのデータセットでは N-MNAR の下で顕著な性能低下が見られる（特定のデータセット–補完法ペアで MAE が著しく低下）。