基于表示与聚类交互学习的深度对比多视图子空间聚类

基于摘要分析。该研究面向多视图数据的子空间聚类，提出结合对比学习与 Cauchy-Schwarz（CS）散度的方法，使表示学习与聚类过程相互作用，而非仅以表示作为后续聚类的固定输入。 机制上，方法使用对比学习和块对角化约束引导表示矩阵学习，并在聚类模块中引入基于 CS divergence 的损失以连接表示与聚类；同时扩展 multiple positive and negative pair diffusion 方法以增强对比学习。作者还提出对比聚类与带正交约束的谱聚类之间的等价关系，并据此进行整体模型优化。损失的具体形式、配对扩散规则、等价关系的适用条件及优化步骤尚未验证。 作者报告，在六个公开数据集上与八种竞争方法比较，其方法优于所比较的多视图聚类方法。摘要未给出数据集名称、评价指标、具体数值及划分方式，因此无法判断优势幅度及其稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，将同一 EEG 试次的不同特征表示作为多个视图，以表示与聚类交互约束改善无标签样本组织。其前提是视图之间存在可用的样本对应关系，并共享与目标任务有关的潜在分组结构；摘要未明确方法所需的监督形式及数据规模。可考虑复用对比学习、块对角化约束与聚类交互目标，但需改造 EEG 特征提取和视图构造。低信噪比、通道差异及跨被试分布偏移可能使聚类主要反映伪迹或被试身份，小数据也可能使配对关系不稳定。一个小规模检验是在固定的被试内 EEG 训练/测试划分下，以同一试次的两种特征构造视图，对比固定表示后聚类与交互优化，并仅用保留标签评估聚类质量。已有 EEG 相关工作尚未检索确认，不能将原领域结果视为 BCI 有效性证据。