面向不完整多视图学习的兼具生成能力与完整性的潜在表示学习

基于摘要分析。本文研究观测受限导致部分视图缺失时，如何学习兼具生成能力与信息完整性的多视图潜在表示，提出 Complete Multi-view Variational Auto-Encoders（CMVAE）。研究对象是通用不完整多视图学习，而非专门的 EEG/BCI 建模。 机制上，CMVAE 以高斯混合分布表示完整潜变量，并建模由该潜变量生成多个视图的过程，通过估计后验分布处理缺失视图。作者引入新的变分下界，将视图不变信息纳入后验推断；同时挖掘视图间的内在相关性以提取跨视图共性，并通过视图权重融合与缺失视图相关的信息。其方法重点在于同时处理跨视图生成与已有视图的信息整合，而非仅补全缺失数据或仅推断一致表示。 作者报告，在聚类、分类及跨视图图像生成的基准实验中，CMVAE 优于所比较的方法，并通过时间复杂度与参数敏感性分析支持其效率和稳健性；另有生物信息学数据应用。摘要未提供数据集名称、缺失模式与比例、划分方式、基线及具体指标，不能据此量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 与其他模态能够按同一样本配对，且训练数据足以支持跨视图关联估计，该机制可能用于部分模态缺失的联合表示学习。可复用的是潜变量生成与后验融合思路，需改造各模态的观测编码和生成模块；低信噪比、跨被试差异、通道变化及小数据可能使共享信息估计不稳，生成补全也不等于恢复真实生理信息。可检验的小实验是在配对多模态数据上固定跨被试划分，仅用训练集拟合模型，对测试集施加预设模态缺失，比较 CMVAE、单模态模型及简单补全方法的下游分类表现。已有 EEG 相关工作尚未检索确认。