通过原型散布与正样本采样学习聚类表示

基于摘要分析。本文研究通用深度聚类中的表示学习问题，提出 ProPos，以原型散布和正样本采样结合对比与非对比学习的优势，目标是在避免负样本引发类别碰撞的同时，维持表示均匀性、簇间分离与簇内紧致性；研究对象并非 EEG 或 BCI。 核心机制包括两部分：prototype scattering loss 最大化原型表示之间的距离，以改善表示均匀性；positive sampling alignment 将一个增强视图与另一个视图在嵌入空间中采样的邻居对齐，以提高簇内紧致性。后者依赖采样邻居确为正样本的假设。作者将两部分纳入端到端期望最大化框架优化；具体损失形式、邻域采样分布、原型更新和训练流程尚未验证。 作者报告，在所用中等规模聚类基准上，ProPos 取得有竞争力的表现，在大规模数据集上达到新的最优表现。摘要未列明数据集、划分、评价指标、数值及对照配置，因此不能据此核对领先幅度或跨协议比较；实验协议、消融及统计信息尚未验证。摘要提供了源码地址，但实现与复现条件尚未核验。 平台推测（待验证）：若将该机制用于无标签 EEG 片段聚类，原型分离与邻域对齐可能分别对应簇间可分性和簇内稳定性的需求。可复用的是原型级约束与对齐思路，需要改造的是 EEG 编码器、增强方式及邻域构造；其对数据规模和邻域质量的要求仍待核对。低信噪比、被试差异、通道配置变化及小样本可能使邻居主要反映伪迹或被试身份，而非目标脑状态。一个可检验的小实验是在固定 EEG 编码器、增强及被试内划分下，对比基础聚类、仅原型散布、仅正样本对齐和完整 ProPos，用仅供评估的标签检查聚类质量及邻居同类比例。已有 EEG 相关工作尚未检索确认。