基于双重最优传输的多视图表征学习

基于摘要分析。本文研究通用多视图表征学习中的互补信息融合问题，提出双重最优传输网络 MDOT-Net，将共同流形中的融合表征学习建模为最优传输（OT）问题。作者认为，既有方法依赖的强距离概念可能难以为深度网络训练提供有效梯度，因此采用具有弱拓扑的共同流形来组织融合表征。 核心机制是将流形拟合中的 OT 分解为视图内 OT 与视图间 OT。视图内 OT 由视图特定的对抗变分网络实现，借助融合知识捕获各视图的局部流形结构；视图间 OT 由视图融合的对抗推断网络实现，利用视图特定知识，使融合表征兼容不同子流形的多样性。两类 OT 通过相互提供先验知识促进学习。摘要未给出运输代价、先验形式、损失函数及优化流程，尚不能判断其具体实现与计算开销。 作者报告，在四个基准数据集上的实验显示 MDOT-Net 相比当时先进算法具有竞争力；摘要未提供数据集名称、任务、划分、指标、具体数值或对照方法，不能据此判断优势幅度或适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据可以构造具有明确样本对应关系的多视图，例如同一试次的不同频带表征，该双向知识交互机制可能用于协调视图内结构与视图间互补信息。可考虑复用双 OT 的交互框架，但需改造 EEG 特征编码、视图定义及运输代价；原方法对配对关系、监督信号和训练规模的依赖尚未验证。低信噪比、频带信息冗余、跨被试分布差异及小数据下对抗训练不稳定，均可能使融合失效。一个可检验的假设是：在固定跨被试划分、相同编码器和训练预算下，双 OT 比仅视图内 OT、仅视图间 OT及简单拼接更有利于分类；可通过比较 Balanced Accuracy 并加入视图噪声扰动检验。上述为迁移假设，不是原论文已证实的 EEG/BCI 结果；已有 EEG 相关工作尚未检索确认。