MORI-RAN：通过混合对比融合进行多视图稳健表示学习

基于摘要分析。MORI-RAN 研究无标签数据中的多视图表示学习，重点解决稳健表示提取以及视图一致性与特异性的平衡问题，提出混合对比融合方法以学习视图共有表示，服务于聚类和分类任务。 核心机制是在原有表示之外引入额外表示空间，并在该空间中对齐不同视图的表示；同时采用非对称对比策略，以避免平凡解。摘要未说明额外空间的具体构造、对比样本组织、损失形式，以及视图特异性如何被保留，这些机制细节尚未验证。 作者报告，在四个真实世界数据集的聚类与分类评估中，该方法优于 12 种有竞争力的多视图方法。摘要未给出数据集名称、评价指标、具体分数、数据划分或稳健性测试条件，因此不能量化优势或判断其适用边界。实验协议、消融及统计信息尚未验证。摘要称源代码将公开，但当前材料无法确认其可用性。 平台推测（待验证）：其迁移至 EEG 的假设是，同一试次能够形成语义对应的多视图，例如不同频带表示；额外空间对齐可能有助于提取跨视图共有信息。可考虑复用表示对齐与非对称对比机制，但需适配 EEG 编码器、视图构造及样本配对。低信噪比、通道差异和小样本可能使对齐聚焦共同噪声，过强的一致性约束也可能损失频带特异信息。可在固定数据划分的 EEG 分类任务中，对比完整方法与去除额外对齐空间的变体，并加入频带扰动，检验分类表现及稳健性是否改善。相关 EEG 工作尚未检索确认。