诊断与预防未对齐多视图聚类中由 MSE 对齐诱发的表示坍塌

基于摘要分析。本文研究完全未对齐多视图聚类：在视图间样本对应关系未知的条件下，恢复对应关系并发现共享簇结构。作者提出 Representation Dispersion-Enhanced Unaligned Multi-view Clustering（RDE-UMC），针对 MSE 对齐可能诱发的表示坍塌，通过增强潜在表示的离散度来维护聚类判别结构。 机制上，常见方法使用可学习的跨视图对齐矩阵，并以 MSE 优化样本对齐及跨视图融合。作者指出，联合优化对齐矩阵与潜在表示时，可能出现通过整体缩小表示尺度来降低目标值的捷径，导致样本间距离压缩、簇结构失真。作者称对这一机制进行了理论分析，但摘要未提供推导及成立条件。 方法包含两个环节：首先，设计沿主方向量化表示离散度的增强算子，将其纳入 MSE 目标，形成 Representation Dispersion-Enhanced MSE（RDE-MSE），以支持在保持可分性的表示上进行跨视图对齐；随后，将该算子纳入对比学习，形成 Representation Dispersion-Enhanced Contrastive Learning（RDE-CL），促进已对齐表示的跨视图一致性融合。算子的具体形式、损失权重及对比样本构造尚未验证。 作者报告，在基准数据集实验中，RDE-UMC 能缓解上述坍塌、保持表示离散度与判别性并改善聚类性能。摘要未给出数据集名称、评估协议、指标数值或对照方法，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多模态神经信号存在未知样本对应关系，且使用 MSE 联合学习对齐与表示，这一尺度收缩诊断可能有参考价值；不应直接视为常规跨被试 EEG 对齐的已验证方案。其依赖可恢复的跨视图对应关系与共享簇结构，需改造信号编码器及视图构造；低信噪比、通道差异和小样本可能使离散度增强放大噪声。可在保留真实对应关系但训练时隐藏配对的小规模 EEG 多视图数据上，对照 MSE 对齐与加入离散度增强的版本，同时检查表示尺度、配对恢复和聚类表现。已有 EEG 相关工作尚未检索确认。