基于双重表征学习的共识引导深度多视图聚类

基于摘要分析。本文研究多视图聚类中浅层结构信息利用不足、样本间关系建模不足的问题，提出 CORE（Consensus-guided deep multi-view clustering with dual Representation learning），结合深浅层表征、跨视图语义不变性与难样本对比对齐，旨在提高簇内紧凑性和簇间可分性。 机制上，CORE 以深层分支提取抽象语义、浅层分支保留结构线索，并将各视图的深层表征拼接，用于构建全局聚类目标，指导跨视图语义一致性。随后，方法利用共识产生的伪标签联合挖掘难正样本与难负样本，通过对比学习拉近前者、推远后者。相较摘要所述的质心分配或对齐路线，其重点是补充层级信息，并显式利用样本间关系。作者还报告推导了一个显式界限，描述判别性视图的距离优势在何种条件下能够压过视图冲突、决定共识对齐；具体假设与推导尚未验证。 作者报告在多项实验中优于现有先进方法，但摘要未提供数据集、评价指标、数据划分、基线或数值，无法判断优势幅度及适用范围。损失形式、伪标签更新、难样本选择规则、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将该机制用于 EEG，多视图可以对应同一试次的不同特征表示；其潜在对应瓶颈是不同表示间互补信息利用不足。该路线依赖可对应的多视图样本，以及足够可靠的聚类结构。可复用的候选模块是共识目标与难样本挖掘，编码器和视图构造则需适配 EEG。低信噪比、跨被试差异、通道配置变化及小数据可能使伪标签错误被对比学习放大。一个可检验的小实验是在固定 EEG 数据划分和相同编码器下，比较单视图聚类、仅共识对齐及加入难样本挖掘的结果，核对聚类指标与伪标签稳定性。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。