潜在表示引导的多视图聚类

该研究针对无监督多视图聚类中原始特征受噪声、离群点及冗余信息干扰、进而降低相似图质量的问题，提出联合学习潜在表示、结构化相似图与聚类标签的统一框架。基于摘要分析，未取得论文全文。 核心机制是依据潜在表示自适应学习样本相似图，而非直接依赖原始特征，并约束目标图的连通分量数恰好等于真实类别数，使样本可直接获得聚类标签，无需后处理。作者将潜在表示提取、相似图学习和标签分配纳入联合优化，使用交替优化算法求解；其抗噪与抗离群点能力是作者提出的目标和主张，具体实现及有效范围尚未验证。该框架虽不依赖样本标签进行聚类，但图结构约束需要真实类别数，因此不能将其理解为自动发现类别数量的方法。 作者报告，在若干基准数据集上的实验支持方法有效性；摘要未提供数据集名称、评价指标、对照基线、数值结果或划分协议。具体损失、潜在表示形式、图约束实现、计算复杂度、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能用于同一样本具有多个对齐视图的 EEG 无监督聚类，例如以不同频段特征构成视图，尝试缓解原始特征噪声对相似图的影响。可复用的是潜在表示与图结构的联合学习思路，需改造的是 EEG 特征构建、尺度归一化及视图对应关系。该假设依赖多视图共享有意义的样本结构，并预先给定聚类数；低信噪比、跨被试差异、通道缺失及小样本均可能使图按伪迹或被试身份而非目标状态分组。一个可检验的小实验是在固定被试内划分和预先给定类别数的前提下，比较潜在表示建图与原始特征建图在逐级加噪后的聚类表现，标签仅用于评估。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。