用于不完整多视图聚类的增强稀疏表示

基于摘要分析。本文研究不完整多视图聚类（IMVC）：当部分样本的特征或视图缺失时，如何利用多个视图的互补信息完成聚类。作者提出增强稀疏表示（ASR）方法，通过已有特征的稀疏表示学习与跨视图相似性融合，为谱聚类构造相似性矩阵，而非以恢复缺失视图或插补缺失特征为主要路径。 技术上，ASR 首先引入判别性稀疏表示学习（DSRL）模型，以多视图稀疏表示衡量已有特征之间的相似性。按摘要表述，稀疏正则项与共识正则项分别用于挖掘互补信息和一致性信息，同时从原始样本学习判别性字典；其中的稀疏约束优化问题采用交替方向乘子法（ADMM）求解。随后，通过稀疏表示的稀疏增强融合，得到跨视图的增强相似性矩阵，再执行谱聚类。摘要未提供损失函数的具体形式、缺失数据的索引处理或融合权重设定。 作者报告，该方法在多个数据集上的实验支持其 IMVC 有效性，但摘要未列出数据集名称、缺失模式与比例、对照方法或具体指标，不能据此判断其优势幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于样本可跨视图对齐、但部分模态或特征缺失的 EEG 多模态无监督分析；这不等同于已验证的 BCI 解码效果。可复用的是稀疏相似性学习与共识融合，需改造的是 EEG 视图定义、特征归一化及缺失索引处理。低信噪比、跨被试差异和小样本可能使字典与相似性结构不稳定，通道缺失也未必等价于整视图缺失。一个可检验的小实验是在固定被试内划分和相同特征条件下，分别施加整视图缺失与通道特征缺失，对照 ASR 与插补后聚类方法，检查聚类性能随缺失程度的变化。已有 EEG 相关工作尚未检索确认。