用于基于相关性的多视图表征学习的 Rademacher complexity 正则化

该研究针对深度多视图表征学习中，复杂视图间映射可能导致过拟合和表征过度相关的问题，提出基于 DNN 的 Rademacher complexity、面向多视图相关性最大化设计的正则化方法。基于摘要分析，未取得论文全文。 核心思路是在学习高相关表征时约束模型复杂度，而不只追求更高的视图间相关性。作者报告，在合成数据上，该正则化得到噪声更少的表征；在真实多视图数据集上，下游任务性能有所改善。摘要未提供具体数据集、任务、评估指标、数值或对照基线，正则项的计算形式、复杂度估计方式、训练开销、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有可配对的多视图数据，并使用相关性最大化目标学习表征，这类复杂度约束可能用于抑制对偶然相关性的拟合。可尝试复用的是相关性目标上的正则化思路；需核对并改造的是其对 EEG 编码器的适用条件、视图构造与正则强度。低信噪比、小样本及跨被试或通道差异可能使复杂度估计不稳定，也可能导致有用信号被过度压制。一个可检验的小实验是在固定视图构造、编码器和数据划分下，对比不加正则、常规正则与所提正则，联合观察未见数据上的视图相关性和下游任务表现，避免仅凭训练相关性判断有效性。已有 EEG 相关工作尚未检索确认。