用于子空间聚类的低秩局部切空间嵌入

基于摘要分析。本文研究高维数据子空间聚类中线性子空间假设难以满足的问题，提出兼顾局部流形结构与全局低秩表示的 LR LER 路径，具体模型名为 LRLER，并进一步提出利用局部切空间关系修正邻域表示的 LRLTSER。主要研究对象是通用高维数据聚类，而非 EEG 或 BCI。 机制上，作者在稀疏表示框架下将各簇视为嵌入低维子空间的子流形，通过局部流形嵌入约束与 Frobenius 范数最小化构建全局低秩表示，得到 low-rank local embedding representation（LRLER）。针对邻居混杂或流形交错导致的邻域混叠失真，进一步引入局部切空间分析，依据样本与邻居的局部切空间关系修正局部线性嵌入系数，形成 LRLTSER。其区别于摘要所述 SSC、LRR 的重点，是不只依赖线性表示构造聚类关系，还显式考虑局部流形几何。 作者报告，在合成数据和真实数据上的子空间聚类实验中，所提方法优于所比较的当时先进技术。摘要未提供数据集名称、样本规模、评价指标、具体基线及数值；实验协议、消融及统计信息尚未验证，目标函数细节、优化流程与复现条件亦需查阅全文。 平台推测（待验证）：若 EEG 特征的局部邻域混杂主要来自不同状态流形的交错，切空间修正可能改善聚类关系。可复用的是邻域系数修正机制，需改造的是 EEG 特征、距离度量及邻域尺度；低信噪比、通道差异、被试差异和小样本都可能使切空间估计不稳定。可先在固定被试内划分的 EEG 特征上，对比启用与禁用切空间修正的同一聚类流程，检验聚类指标及邻域扰动稳定性，而不将结果直接解释为跨被试有效。已有 EEG 相关工作尚未检索确认。