用于谱文档聚类的稀疏子空间表示

基于摘要分析。本文研究文档聚类，提出将文档的稀疏表示与谱聚类结合，通过学习文档间的表示关系构建亲和图，而非仅依赖传统的两两相似度。 方法以 ℓ1 范数优化学习每篇文档的稀疏表示，再将表示关系编码为图并执行谱聚类。其核心思路是用多个子空间刻画文档子群，使共享较小词汇集合的文档形成更清晰的簇。具体文档特征、优化约束、亲和图构造与谱聚类设置尚未验证。 作者报告，在来自 Reuters-21578 和 20Newsgroup 语料的两个真实世界数据集上，该方法持续优于所比较的先进算法。摘要未提供具体指标、数值、基线名称或数据划分，因此无法核对提升幅度及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 特征中的不同状态可近似为多个低维子空间，稀疏表示构图机制可能用于探索无监督状态聚类，但这是迁移假设，不是本文结果。可复用部分是稀疏表示、亲和图与谱聚类流程；需改造文档特征输入、信号归一化及时间依赖处理。低信噪比、被试与通道差异可能使图主要反映伪迹或个体差异，小样本也可能使邻接关系不稳定。一个可检验的小实验是在固定的被试内 EEG 特征与相同聚类数下，对比稀疏表示亲和图和传统两两相似度图，仅用标签进行事后聚类评估，并考察噪声扰动下的稳定性。相关 EEG 工作尚未检索确认。