基于耦合低秩表示的多视图公共子空间聚类

基于摘要分析。本文研究多视图子空间聚类：仅提取共同信息或融合各视图相似度矩阵，可能忽略视图多样性，并在噪声下产生有偏的共享结构。作者提出耦合低秩表示方法，让共享表示、视图特异表示与聚类结构相互引导，以兼顾共同信息和各视图的差异。 方法为每个视图学习低秩表示，将其约束为视图特异表示与共享表示的线性组合，同时鼓励视图特异表示稀疏。随后，利用 k-block diagonal regularizer，从各视图的低秩矩阵学习流形恢复矩阵；通过逼近恢复结构得到的聚类投影矩阵，学习最终相似度矩阵。作者进一步对相似度矩阵的松弛 Laplacian 矩阵施加秩约束，使聚类结构具有恰好 k 个连通分量，避免对低维嵌入进行谱后处理。其关键区别在于动态逼近：不是预先固定局部流形结构，而是让聚类结构与共享表示在优化中相互修正。 作者报告，在六个基准数据集上，与十种同类先进方法比较，该方法在六项评价指标上表现更优。摘要未提供数据集名称、具体指标、数值及划分协议，因此无法判断优势幅度和不同噪声条件下的稳定性；实验协议、消融及统计信息尚未验证。复现还需核对完整目标函数、求解流程、k 的设定方式及计算开销。 平台推测（待验证）：若同一批 EEG 试次可构成样本对齐的多视图输入，例如不同频带或特征表示，共享与特异成分分离可能用于探索跨视图共同结构，而非直接证明 BCI 解码有效。可复用的是耦合低秩表示与结构约束，需改造的是 EEG 特征构造、尺度归一化及视图对应关系；该迁移依赖共享低维结构和预设聚类数。低信噪比、通道差异、被试差异及小样本可能使噪声被错误保留为共享信息。可先在固定被试内划分下，比较完整方法、仅共享表示及去除动态耦合的版本，控制标签仅用于评价，检验噪声扰动下聚类稳定性是否改善。已有 EEG 相关工作尚未检索确认。