从联合特征选择与自表示学习到鲁棒多视图子空间聚类

基于摘要分析。本文研究异构特征空间中的多视图子空间聚类，针对视图无标签、信息不完整及含噪等问题，在联合特征选择与自表示模型 JFSSR 的基础上提出鲁棒多视图子空间聚类框架 RMSC，联合学习跨视图共识亲和矩阵与子空间结构。 核心机制是以块对角自表示矩阵编码聚类结构，使共识图恰好具有 k 个连通分量，其中 k 为簇数。方法在损失中采用 l2;1 范数最小化，以减少冗余和无关特征，并在不引入额外参数的情况下隐式赋予各视图自适应权重；作者还推导了交替优化算法来求解非凸目标。具体损失构成、连通性约束实现、各变量更新及收敛条件尚未验证。 作者报告，在合成数据与真实世界基准数据集上，RMSC 持续优于若干代表性多视图聚类方法。摘要未提供数据集名称、划分、指标、数值或基线细节，因此无法判断优势幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若同一批 EEG 试次可表示为相互对齐的频带、通道组或特征域视图，其共识图与视图加权机制可能用于探索无标签试次聚类，但这不等于已有 EEG 或 BCI 有效性证据。可复用的是联合特征选择与共识图学习思路，需改造的是 EEG 视图构造、尺度归一化及簇数设定。低信噪比、跨被试差异、通道缺失及小样本可能使相似性主要反映伪迹或被试身份，而非任务结构。一个可检验的小实验是在固定被试内 EEG 试次和一致预处理下，对比 RMSC、单视图聚类与特征拼接聚类，并逐步加入视图噪声，检验共识结构和视图权重是否稳定；任务标签仅用于事后评估。已有 EEG 相关工作尚未检索确认。