全局性与局部性相结合：面向快速多视图子空间聚类的锚点图协同学习框架

基于摘要分析。本文研究大规模多视图子空间聚类中的计算开销与跨视图信息利用问题，提出快速多视图子空间聚类方法 FMSC，通过局部与全局锚点表示的协同学习，同时建模视图间的互补性与一致性。研究对象是通用多视图数据聚类，摘要未提供 EEG 或 BCI 验证。 核心机制是将判别性锚点学习与具有优化结构的锚点图构建纳入联合框架。局部表示对应视图特定信息，全局表示对应视图共享信息，两者通过不同层级的两种交互策略协同学习，并由全局学习引导局部学习。相较于仅侧重全局一致性或局部互补性的锚点方法，作者希望获得更全面的跨视图语义关联；具体交互形式、目标函数与优化步骤尚未验证。 作者报告，所设计的优化算法具有线性复杂度，实验显示 FMSC 在聚类性能与计算效率方面具有优势。但摘要未说明复杂度相对于哪个变量成立，也未列出数据集、样本规模、评价指标、对照方法或数值结果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若同一批 EEG 样本可形成对齐的多种特征视图，该机制可能用于探索共享结构与视图特定信息的互补利用。可复用部分是局部—全局锚点协同框架，需要改造的是 EEG 视图定义、特征归一化与锚点选择。低信噪比、通道差异和跨被试分布偏移可能使共享结构失真，小数据下锚点也可能缺乏代表性。一个可检验的小实验是在固定被试内划分与相同特征视图下，对照仅全局、仅局部及联合表示的聚类表现和运行时间，并仅在训练部分确定预处理与锚点。已有 EEG 相关工作尚未检索确认。