仿射子空间鲁棒低秩自表示：从矩阵到张量

基于摘要分析。本文研究含数据误差的样本近似分布于多个仿射子空间时，如何进行低秩自表示学习。作者通过引入仿射约束和非负约束，尝试突破仅侧重全局线性子空间结构的方法，并将其具体化为从单视图低秩矩阵学习到多视图低秩张量学习的三种方法。 核心机制是对自表示系数施加联合约束。作者从几何角度解释，这些约束使每个样本由同一子空间内其他样本的凸组合表示，从而在探索全局仿射子空间结构时兼顾各子空间内的局部数据分布。摘要未给出这一解释成立的具体假设、误差建模方式、目标函数及优化细节，因此其适用边界尚未验证。 作者报告在单视图子空间聚类、多视图子空间聚类和多视图半监督分类三类任务上获得优于对照方法的结果，但摘要未提供数据集、划分、基线、指标或具体数值，无法判断提升幅度及不同任务间的一致性。作者称为三种方法设计了高效求解算法；计算成本、收敛条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征在特定任务与采集条件下近似具有多个仿射子空间结构，这类约束可能用于探索无监督试次聚类或多视图特征融合。可复用的是自表示约束机制，需改造的是 EEG 特征构建、视图定义及噪声处理；低信噪比、跨被试与通道差异可能破坏子空间假设，小样本下凸组合约束也可能限制表达能力。一个可证伪的小实验是在固定的被试内 EEG 特征与划分上，对比基础低秩自表示、分别加入两种约束及联合约束后的聚类表现，并检验噪声扰动下的稳定性。上述不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。