表示与聚类交互学习的深度对比多视图子空间聚类

基于摘要分析。本文研究通用多视图数据的无监督聚类，提出结合对比学习与 Cauchy-Schwarz（CS）散度的深度多视图子空间聚类方法，使表示学习与聚类过程相互作用，而非将二者完全分离。 方法上，作者使用对比学习和块对角化约束引导表示矩阵学习，在聚类模块中引入基于 CS 散度的损失以实现表示与聚类交互，并扩展多正负样本对扩散方法来增强对比学习。作者还提出对比聚类与带正交约束的谱聚类之间的等价关系，用于整体模型优化。具体损失形式、样本对构造、等价关系成立条件及优化步骤尚未验证。 作者报告，在六个公开数据集上与八种竞争方法比较时，该方法表现更优。摘要未提供数据集名称、评价指标、具体数值或评估划分，因此不能据此判断优势幅度或跨数据条件下的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若同一 EEG 样本可构造对齐的频带或空间特征视图，这种表示—聚类交互机制可能用于研究多视图无监督表征，但原领域结果不等于 BCI 有效性。可考虑复用对比约束和聚类交互模块，视图构造及正负样本关系则需适配 EEG；低信噪比、通道差异、被试差异及小样本可能使聚类主要反映伪迹或个体身份。一个可证伪的小实验是在固定的被试内划分与相同多视图输入下，比较完整方法和移除交互项的版本，评估聚类与任务标签的一致性及重复运行稳定性，标签仅用于评估。已有 EEG 相关工作尚未检索确认。