CCIM-SLR：基于稀疏低秩表示的不完整多视图协同聚类

基于摘要分析。本文研究存在视图缺失及不同程度数据点缺失时的多视图聚类问题，提出基于稀疏低秩表示的协同聚类方法 CCIM-SLR，联合利用不完整多视图数据的全局与局部结构。 方法通过稀疏低秩学习捕捉视图内样本之间及不同视图之间的相关性，并在协同学习框架下交替学习共享隐视图、可见视图与聚类划分。作者称采用具有收敛保证的迭代算法优化目标函数；具体目标函数、稀疏与低秩约束的实现、缺失数据处理方式及收敛成立条件尚未验证。 作者报告，在五个基准数据集的实验中，CCIM-SLR 相较所比较的基线取得最佳表现，尤其适用于不同不完整程度的设置。摘要未提供数据集名称、评价指标、具体数值、缺失生成协议或基线配置，因而无法判断优势幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多模态或多特征数据可组织为具有样本对应关系的多个视图，该方法可能为部分视图缺失时的无监督聚类提供参考。这一假设依赖视图间存在可共享结构，不能把缺失视图直接等同于缺失通道。可考虑复用稀疏低秩表示与交替优化框架，但需按 EEG 的试次、会话及模态组织方式改造视图定义与缺失掩码。低信噪比、跨被试差异、小样本和非随机缺失可能削弱共享结构假设。一个可检验的小实验是在固定被试内划分下，对同批试次构建多特征视图并设置不同视图缺失比例，与相同缺失条件下的基线比较聚类指标及稳定性；结果仅支持该协议内的判断。已有 EEG 相关工作尚未检索确认。