共识表示驱动的多视图聚类结构化图学习

基于摘要分析。本文研究多视图聚类中图质量依赖原始特征、构图与图划分分离的问题，提出 ONE-Step graph-based multi-view clustering via Early Fusion（ONESELF），将鲁棒潜在表示提取与目标结构化图构建纳入统一优化框架。 方法先从多个视图的原始特征中提取跨视图兼容的鲁棒潜在表示，以减轻噪声与离群点的影响，再基于该表示引入连通性约束，形成可直接提取聚类标签的共识图。其核心区别在于，不仅融合预先构建的相似图，而是让表示学习与面向聚类任务的图结构学习相互配合；作者称所得图无需进一步后处理即可产生聚类标签，并提出了相应的优化算法。具体目标函数、鲁棒性实现方式、连通性约束形式及计算复杂度尚未验证。 作者报告，在七个基准数据集上的实验优于若干同期算法；摘要未提供数据集名称、评价指标、数值、划分方式及对照细节，因此尚不能判断收益大小和适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本具有可对齐的多视图特征，例如同一试次的不同频段表示，该机制可能用于探索对噪声更稳健的无监督聚类，而非直接构成已验证的 BCI 解码方法。可复用部分是共识表示与结构化图的联合学习，需改造部分包括 EEG 视图构建、尺度归一化及样本相似性定义；低信噪比、通道差异和小样本可能使共识表示保留伪迹或被试差异，而非任务结构。一个可检验的小实验是在固定被试内试次划分与特征条件下，对比 ONESELF 和先构图再划分的流程，并在训练数据中施加可控噪声扰动，检验聚类质量与稳定性。已有 EEG 相关工作尚未检索确认。