迈向全面的信息论多视图学习

基于摘要分析。本文研究多视图学习中过度依赖共享信息、可能忽略各视图独有预测信息的问题，提出信息论框架 CIML，联合学习共享表征与独有表征，不再依赖“视图间共同信息对下游任务既必要又充分”的多视图冗余假设。 机制上，共享表征学习先最大化 Gacs-Korner common information 以提取共享特征，再通过 Information Bottleneck（IB，信息瓶颈）压缩得到任务相关表征。独有表征学习同样采用 IB，在压缩各视图独有表征的同时，最小化独有表征与共享表征之间、以及不同独有表征之间的互信息，以减少信息重叠。与仅强调共享信息的方法相比，其关键区别是显式保留各视图可能具有的独有预测信息。 作者报告，从理论上证明了所学联合表征对下游任务具有预测充分性；具体假设、证明范围及其与实际优化的对应关系尚需全文核对。作者还报告，实验优于若干先进方法，但摘要未提供数据集、划分、基线、指标或数值，不能据此判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证。摘要称代码已发布，但所给材料未提供可核对的仓库地址，复现依赖与实现细节尚未验证。 平台推测（待验证）：若 EEG 多视图输入同时含共享任务信号与视图独有任务信号，该机制可能缓解仅学习共享表征造成的信息丢失。迁移依赖配对多视图数据及可支持任务相关压缩的监督信息；可复用共享／独有分解思路，但视图定义、编码器与互信息估计需适配 EEG。低信噪比、小样本、通道变化及跨被试差异可能使独有表征捕获伪迹，或使去冗余约束误删有效信号。可在固定被试内划分下，比较仅共享表征与共享加独有表征，并用视图噪声扰动检验增益是否稳定。已有 EEG 相关工作尚未检索确认。