基于潜在张量低秩表示的可扩展多视图聚类

基于摘要分析。该研究面向通用多视图聚类，针对有限且受噪声污染的数据中，以观测张量自身作为字典的张量低秩表示（TLRR）难以充分捕获潜在子空间结构的问题，提出 Latent Tensor Low-Rank Representation（LT-LRR），并据此构建可扩展聚类方法 ETRL-SMVC。 核心机制是在观测张量字典之外引入未观测的潜在分量。作者给出该潜在张量自表示在 t-product 框架下的闭式结构刻画，并由此对表示张量及潜在修正张量施加低秩约束。面向计算扩展性，ETRL-SMVC 将 LT-LRR 用于锚图学习，以锚图上的紧凑字典式张量因子分解替代计算昂贵的样本级自表示。具体目标函数、求解步骤、锚点构造及复杂度尚未验证。 作者报告，在基准数据集实验中，该方法持续优于所比较的先进方法，并具有良好的可扩展性；摘要未提供数据集名称、划分、指标、数值或运行资源，因此尚不能量化优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 数据组织为同一批样本的多个对齐视图，例如不同频带或特征表示，该机制可能用于考察含噪、小样本条件下的无监督聚类。可复用部分是潜在字典补偿与锚图低秩建模，需改造部分是 EEG 视图构造、尺度归一化及锚点选择。其适用性依赖多视图样本对应关系与共享低秩结构；低信噪比、跨被试差异、通道不一致及小数据下不稳定的锚点均可能使聚类主要反映噪声或被试身份。一个可证伪的小实验是在固定 EEG 数据划分、视图和锚点条件下，对照有无潜在修正项的版本，检验逐步增加噪声时聚类表现是否更稳定；不能据原领域结果认定 BCI 有效。相关 EEG 工作尚未检索确认。