MORI-RAN：通过混合对比融合进行多视图鲁棒表征学习

基于摘要分析。MORI-RAN 面向无标签数据上的多视图表征学习，研究如何获得鲁棒的视图共有表征，同时平衡视图一致性与视图特异性；其主要任务是聚类与分类，并非 EEG/BCI 解码。 方法采用混合对比融合：引入额外的表征空间，在该空间中对齐不同视图的表征，并设计非对称对比策略以避免平凡解。摘要未说明额外空间的构造、对比样本组织、损失形式，以及视图特异性如何被保留，这些机制仍需正文核对。 作者报告，在四个真实世界数据集的聚类与分类实验中，该方法优于 12 种有竞争力的多视图方法。摘要未提供数据集名称、划分方式、具体指标与数值，不能据此判断改进幅度或跨任务稳定性；实验协议、消融及统计信息尚未验证。摘要称代码将公开，当前可用性及复现条件尚未验证。 平台推测（待验证）：若 EEG 数据能构成样本对应的多视图，例如同一试次的不同频段或通道组，可假设额外空间对齐有助于提取共有信息，非对称对比策略则可能用于抑制表征退化。可复用的是表征对齐与对比学习思路，视图构造和编码器需针对 EEG 改造。低信噪比、通道差异及跨被试变化可能使模型对齐噪声或被试特征；小数据条件下还可能出现不稳定。一个可检验的小实验是在固定跨被试划分和相同编码器下，对比有无额外对齐空间、对称与非对称对比策略的下游分类表现及表征退化情况。该假设不代表已有 BCI 效果，相关 EEG 工作尚未检索确认。