综述：不完整图学习的全面综述

这篇综述系统梳理了不完整图学习（Incomplete Graph Learning）领域的研究进展，聚焦属性缺失（attribute-missing）、属性不完整（attribute-incomplete）和混合缺失（hybrid-absent）三类图数据的处理方法，涵盖数据填补（imputation）与标签预测（label prediction）两大技术路线，并探讨图神经网络（GNNs）在非独立同分布（non-i.i.d.）数据中的独特挑战与应用前景。

　　

引言

图结构数据（网络）在社交网络分析、交通系统优化和个性化推荐等领域具有核心价值。传统图学习方法依赖完整属性假设，但现实场景中普遍存在用户隐私保护导致的数据缺失现象，形成属性不完整图（attribute-incomplete graphs）、属性缺失图（attribute-missing graphs）及混合缺失图（hybrid-absent graphs）三类挑战。这种非独立同分布（non-i.i.d.）特性使得传统独立数据填补方法（如图像数据补全）难以直接适用，亟需针对性解决方案。

不完整图现象

以社交网络为例，用户选择性披露信息会导致节点属性部分或完全缺失（图1(b)），进而影响图神经网络（GNNs）的聚合机制（图1(c)）。属性缺失不仅削弱模型对潜在关系的捕捉能力，还会导致社区结构识别、节点分类等任务性能显著下降。

不完整图学习方法

现有方法可分为三类：

1. 属性不完整图学习：通过插补（imputation）或直接训练（如标签预测）处理部分缺失属性；
2. 属性缺失图学习：针对全属性缺失节点，开发基于拓扑结构（如随机游走）或生成式模型（如GANs）的填补技术；
3. 混合缺失图学习：整合上述两类方法，应对复杂现实场景。

实践应用

当前研究依赖人工构建的缺失数据集（尚无基准数据集），评估指标涵盖节点分类准确率、链接预测AUC等。典型应用包括：

• 推荐系统：处理用户行为数据稀疏性；
• 交通预测：补全传感器缺失的流量属性；
• 异常检测：识别属性异常与结构异常的关联模式。

未来方向

关键挑战包括：动态图缺失处理、可解释性填补模型构建，以及跨领域迁移学习。该领域首个系统性综述为研究者提供了分类框架与方法选型指南，推动图学习在真实复杂场景中的鲁棒性发展。

（注：全文严格基于原文内容缩编，未新增观点或数据）