面向深度聚类的结构驱动表示学习

基于摘要分析。本文研究无监督深度聚类中，单独采用样本级学习难以捕获完整簇上下文、可能导致次优簇分配的问题，提出 Structure-driven Representation Learning（SRL），将局部与全局潜在结构信息共同引入表示学习。 局部机制采用结构驱动的样本表示策略，通过建模样本邻域分布、利用样本间统计依赖来近似估计数据分布，目标是提高簇内一致性。全局机制采用结构驱动的簇表示策略，结合 exemplar-theory 所强调的簇内样本信息与 prototype-theory 所强调的原型信息编码簇上下文，使每个簇关联其最相似的样本，并尽可能分离不同簇。两种策略被纳入联合优化问题；具体损失形式、邻域构建方式、原型更新及求解流程尚未验证。 作者报告，SRL 在六个常用数据集的实验中优于所比较的先进聚类方法。摘要未提供数据集名称、划分协议、对照方法、指标或具体数值，因此不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是利用邻域关系与簇级上下文补充单样本表示，可能对应无标签 EEG 表示中局部结构不稳定、簇内一致性不足的问题。该假设依赖 EEG 特征空间的邻域与目标任务状态具有一致关系，而非主要反映被试、会话或伪迹。可考虑复用局部统计依赖与全局样本—原型联合建模思路，但需改造 EEG 编码、距离度量和邻域构建；低信噪比、通道差异、跨被试偏移及小数据可能使错误邻域被强化。一个可检验的小实验是在固定 EEG 表示与数据划分下，对照不使用结构信息、仅局部结构、仅全局结构及联合结构的聚类方案，使用仅供评估的任务标签核对聚类质量，并检查簇是否主要由被试身份驱动。已有 EEG 相关工作尚未检索确认。