使用对称低秩表示的子空间聚类

基于摘要分析。本文研究近似分布于多个子空间的数据点的鲁棒子空间聚类，提出带对称约束的低秩表示方法 LRRSC，目标是同时恢复各子空间的维数及其成员归属，并提出改善可扩展性的变体 eLRRSC。 核心机制是在原有低秩表示中引入对称约束，使每对数据点之间的表示权重保持一致，以保留高维数据的子空间结构。作者将其表述为凸优化问题，并给出带对称约束的核范数正则化最小二乘问题的求解证明。随后，方法利用对称低秩表示的主方向角度信息构造亲和矩阵，再进行谱聚类。eLRRSC 则通过考虑闭式解改善原方法的可扩展性；具体推导、计算复杂度和适用条件尚未验证。 作者报告，在基准数据库上的实验显示，LRRSC 及其变体相较若干先进子空间聚类算法具有有效性和鲁棒性。摘要未提供数据库名称、评价指标、数值、数据划分或具体对照方法，实验协议、消融及统计信息尚未验证，不能据此量化收益。 平台推测（待验证）：若 EEG 试次特征可近似由多个低维子空间描述，对称低秩表示及角度亲和构图可能用于探索试次分组结构。可复用的是表示学习与谱聚类流程，需改造的是 EEG 特征提取、尺度归一化和噪声处理；该假设依赖子空间可分性及足够的代表性样本。低信噪比、通道配置差异和跨被试变化可能使聚类主要反映伪迹或个体差异，小样本则可能使子空间估计不稳定。可先在固定的被试内 EEG 特征与预处理条件下，对比原始低秩表示和 LRRSC，以任务标签仅作事后评估，检查聚类一致性及噪声扰动下的稳定性。已有 EEG 相关工作尚未检索确认。