面向不完整多视图聚类的增强张量自表示子空间学习

基于摘要分析。本文研究多媒体领域的不完整多视图聚类（IMVC），提出结合缺失样本恢复与增强低秩张量正则化的自表示学习方法，旨在利用样本关系及跨视图高阶相关性，在恢复缺失信息的同时保留显著特征、抑制噪声。 机制上，作者指出，已有部分自表示方法从完整样本层面推断缺失条目，可能引入冗余信息。本文改为利用各视图中可用样本构建特征级局部结构，据此推断缺失样本；同时设计名为 Logarithm-p norm 的增强张量范数，以刻画跨视图关系。作者将该设计描述为获得精确子空间表示的途径，但摘要未提供范数定义、完整目标函数、优化算法或理论保证，具体机制仍需正文核对。 作者报告，该方法在若干常用多视图数据集上的实验支持其有效性；摘要未列出数据集名称、缺失模式与比例、对照方法、指标及具体数值，因此不能判断改进幅度或适用边界。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：若 EEG 数据可组织为具有样本对应关系的多个特征视图，且仅部分视图缺失，局部结构恢复与跨视图低秩约束可能具有借鉴价值。可复用的是自表示与张量正则化思路，需改造的是 EEG 特征构建、视图定义及缺失机制；这不等同于已验证的原始通道或时间片恢复。低信噪比、跨被试分布差异和小样本可能使局部邻域不可靠，也可能破坏低秩假设。一个可检验的小实验是在固定被试内划分下，仅对测试样本施加预设视图缺失，比较该方法、简单填补及去除相应模块的变体，并核对评估阶段是否使用其他测试样本。已有 EEG 相关工作尚未检索确认。