通过视图间与视图内深度主化实现多视图聚类的统一表示学习

基于摘要分析。该研究面向多视图聚类，提出深度统一表示学习网络 deep-URL，旨在减少各视图潜在特征的冗余，并更准确地建模视图间关联，形成兼具信息完整性与判别性的统一表示。 机制上，deep-URL 使用多视图编码器—解码器框架，将多尺度数据映射到共同潜在空间，获得视图特异表示；通过最小化视图内互信息抑制冗余，通过最大化视图特异特征的条件互信息建模视图间非线性关联，并要求统一表示能够重建各视图。摘要将其训练过程概括为视图间与视图内深度表示主化，但互信息估计器、条件变量、具体主化步骤及各目标的权重尚未验证，不能仅凭摘要确定其优化形式。 作者报告，在样本规模差异较大的五个真实数据集上，与十四种基线方法比较，deep-URL 获得了更优的聚类表现。摘要未给出数据集名称、具体指标、数值或评估划分，实验协议、消融及统计信息尚未验证；需结合正文核对性能收益分别来自冗余抑制、关联建模还是重建约束。 平台推测（待验证）：若将同一 EEG 样本的不同特征描述构造成配对视图，该机制可能用于探索多视图冗余与互补信息的整合；这依赖样本对齐和跨视图语义一致性，原领域结果不等于 BCI 有效。可复用的是多视图表示与重建思路，需改造输入编码器和视图构造；低信噪比、跨被试差异、通道缺失及小数据下的互信息估计不稳定，均可能使冗余抑制误删任务信息。一个可检验的小实验是：在固定 EEG 数据划分与聚类指标下，比较完整方法及移除视图内互信息目标的版本，并用仅供评估的任务标签检验聚类一致性。已有 EEG 相关工作尚未检索确认。