面向子空间聚类的超深层表示学习

基于摘要分析。本文研究深度子空间聚类中的训练内存瓶颈：传统方法将全连接层权重作为自表达系数，需要把整个数据集装入同一批次，限制深层网络及大规模数据的应用。作者提出通过能量网络以小批量方式学习自表达系数，并结合自监督表示学习获得用于表示数据的字典，构建同时学习系数与字典的联合框架。 核心变化在于自表达系数的获取方式，而非仅替换特征提取网络。该框架试图解除系数学习对全数据批次的依赖，同时利用自监督学习增强字典表示。摘要未说明能量函数、系数生成过程、自监督目标、联合优化细节及聚类推理流程，尚不能判断训练与推理各阶段的实际内存复杂度；ResNet 在摘要中作为受既有瓶颈限制的深层架构示例出现，不能据此认定作者已用其完成验证。 作者报告在三个公开数据集上的实验支持方法有效，但材料未提供数据集名称、划分、对照基线、聚类指标或具体数值。实验协议、消融及统计信息尚未验证，实际可扩展性和复现条件需查阅全文。 平台推测（待验证）：若 EEG 片段的潜在表示具有可利用的子空间结构，小批量系数学习可能用于缓解大规模无监督 EEG 聚类的内存压力。可复用部分是能量网络系数学习与字典联合优化思路；需改造 EEG 编码器、自监督任务及字典构建方式。低信噪比、跨被试差异、通道配置变化和小数据条件可能使表示按噪声或被试身份聚集，而非反映目标状态。一个可检验的小实验是在固定 EEG 数据划分、编码器与评价协议下，对比全批次自表达方法和该框架的峰值内存、运行时间及聚类质量，并单独检查跨被试表现。已有 EEG 相关工作尚未检索确认。