面向高维数据流的层次稀疏表示聚类

基于摘要分析。该研究面向持续到达、可能无界的高维数据流聚类，针对欧氏距离难以有效刻画高维样本相似性、现有方法对噪声敏感的问题，提出层次稀疏表示聚类框架 HSRC。主要贡献是结合窗口内稀疏亲和关系、微簇到宏簇的层次聚合，以及跨窗口代表样本更新。 机制上，HSRC 在固定大小的 landmark window 内，通过稀疏表示学习样本亲和矩阵，并自动选择邻近数据对象的数量；随后对亲和矩阵进行谱聚类，生成微簇，再依据 sparse similarity degrees（SSDs）合并为宏簇。框架利用 sparsity residual values（SRVs）自适应选择当前窗口中的代表对象，作为下一窗口的字典样本；此外还对宏簇进行细化，并利用相关 SRVs 检测离群点。摘要未给出稀疏表示目标函数、SSDs 与 SRVs 的具体定义或细化步骤。 作者报告，在若干基准数据集上的实验显示 HSRC 有效且具有鲁棒性，但摘要未提供数据集名称、数据到达协议、对照基线、评价指标及具体数值，无法据此量化收益。窗口大小、字典规模、运行时与内存成本，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 对应问题是连续高维特征流的无监督状态聚类，而非已验证的 BCI 解码。可复用部分包括稀疏亲和建模与代表字典更新；需另行设计 EEG 窗口特征、归一化及跨会话字典更新策略。该假设依赖相近状态的 EEG 特征具有可由稀疏表示捕获的相关结构；低信噪比、通道变化、跨被试差异或少量样本可能使字典偏向伪迹而非目标状态。可先在单被试、固定通道的按时间排序 EEG 特征流上，与欧氏距离微簇方法比较，固定窗口和资源预算，评估聚类与留作评估的状态标签的一致性、伪迹干扰下的稳定性及处理延迟。已有 EEG 相关工作尚未检索确认。