面向子空间聚类的甚深表征学习

基于摘要分析。本文研究深度子空间聚类中自表达层造成的全批量训练与内存瓶颈，提出通过能量网络以小批量方式学习自表达系数，并联合自监督表征学习得到的数据表示字典，以支持更深的网络和更大规模的数据处理。 核心机制：传统方案将全连接层权重作为自表达系数，需要将整个数据集装入同一批次。本文改为利用能量网络获得这些系数，并通过自监督表征学习构建用于表示数据的字典，最终联合学习系数与字典。摘要提及 ResNet 是传统内存约束限制使用的深层架构示例，不能据此确认本文实际采用了 ResNet。能量函数、系数生成方式、自监督目标、字典规模及联合优化细节尚未验证。 作者报告在三个公开数据集上的实验支持方法有效性，但摘要未给出数据集名称、评价指标、对照基线或具体数值。实际内存节省、训练与推理开销、更深网络带来的收益，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 片段的表征具有可利用的子空间结构，该机制可能用于缓解大规模无标签 EEG 聚类的全批量内存约束。可复用的是小批量系数学习与字典联合优化思路；需改造 EEG 编码器及自监督任务，并核对字典是否覆盖不同被试、会话与通道配置。低信噪比可能使聚类更受伪迹影响，跨被试差异可能形成被试而非任务子空间，小数据也可能不足以稳定学习字典。一个可检验的小实验是固定 EEG 编码器和数据划分，对比全批量自表达层与该机制的峰值内存、聚类质量及多次运行稳定性，再检查聚类与任务标签、被试身份的对应关系。已有 EEG 相关工作尚未检索确认。