面向多视图半监督子空间聚类的约束张量表示学习

基于摘要分析。本文研究如何利用样本对弱监督信息改善多视图子空间聚类，提出约束张量表示学习模型 CTRL，将样本间先验关系纳入表示学习，而非仅依赖无监督聚类。 核心机制是借鉴理想低秩表示（LRR）的内在块对角结构，构造统一整合 must-link（必须同簇）、cannot-link（不可同簇）及归一化约束的正则化项，并以此引导目标表示张量的学习。作者将该正则化视为样本对约束的一般描述，并设计基于交替方向最小化策略的优化算法。摘要未给出正则项的具体形式、张量构造方式及优化收敛条件，相关细节尚未验证。 作者报告，在八个真实世界数据集上的实验支持所设计样本对约束正则化的有效性及 CTRL 的性能优势；但摘要未提供数据集名称、约束采样协议、对照方法、评价指标或具体数值，实验协议、消融及统计信息尚未验证，不能据此判断优势幅度与适用边界。 平台推测（待验证）：迁移假设是，若 EEG 样本具有可对齐的多视图特征，且可获得可靠的同类或异类样本对约束，该机制可能用于探索弱监督聚类。可复用部分是样本对约束正则化思路，需改造部分包括 EEG 多视图定义、特征尺度处理和约束获取方式；其依赖样本对应关系及一定的子空间结构。低信噪比、被试差异、通道变化与小数据可能破坏该结构，错误约束也可能传播偏差。一个可检验的小实验是在固定被试内划分和相同特征下，仅由训练集标签生成样本对约束，对照无约束版本，并逐步增加约束噪声，检验独立测试集聚类质量是否仍有改善。相关 EEG 工作尚未检索确认。