通过视图间与视图内深度优化实现多视图聚类的统一表示学习

基于摘要分析。本文研究多视图聚类中的统一表示学习，提出 deep-URL，旨在同时减少各视图潜在特征的冗余、刻画视图间非线性关联，并保留支持各视图重建的信息。主要研究对象是具有语义一致性和互补特征的多视图数据，并非专门面向 EEG 或 BCI。 机制上，deep-URL 使用多视图编码器—解码器框架，将不同尺度的数据映射到同一潜在空间，形成视图特定表示。在视图内部，通过最小化视图内互信息裁减冗余特征；在视图之间，通过最大化视图特定特征的条件互信息获得统一表示，并借助该表示重建各视图。摘要将训练方式称为视图间与视图内深度表示优化，但互信息估计器、条件变量、具体损失形式及各项权重尚未验证。 作者报告，在五个样本规模差异较大的真实数据集上，与十四种基线方法相比，deep-URL 取得更好的聚类表现。摘要未提供数据集名称、具体指标、数值及划分方式，因此无法判断收益大小或不同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 EEG 样本可构造为严格对齐的多种特征视图，该机制可能用于检验“视图内去冗余、视图间保留互补信息”是否有助于无监督聚类。可复用的是统一表示与重建约束，需改造的是 EEG 视图定义及编码器；低信噪比可能使重建保留伪迹，过强去冗余也可能删除任务相关信息，小数据与跨被试差异则可能影响互信息估计和聚类稳定性。可先固定同一 EEG 数据划分与视图构造，对比完整模型、去除视图内约束和去除视图间约束的版本，检验各约束的独立贡献。已有 EEG 相关工作尚未检索确认。