Is-ClusterMPP：通过点过程与影响空间面向高维数据的聚类算法

基于摘要分析。该研究针对高维数据中簇形状、大小及局部密度不均的无监督聚类问题，提出 Is-ClusterMPP，以相互作用球的标记点过程（MPP）建模数据覆盖，并通过自适应 MCMC 采样寻找聚类配置。原论文的应用对象是基因表达数据，而非 EEG 或 BCI。 核心机制是将 k-influence space 信息引入 Gibbs 能量函数，以局部邻域结构缓解全局密度对不均衡簇识别的影响。数据项倾向于让球覆盖高密度区域中的数据点；相互作用项抑制球的完全重叠，并鼓励球形成连通群组。针对维度灾难，方法在加权相似度度量中嵌入局部子空间聚类原则。作者称，所用 Markov 动力学收敛到从 MPP 模型采样的配置；这不应等同于已证明获得最优聚类。 作者报告在不同规模的基因表达基准数据上与常用聚类算法进行了比较，并声称方法有效，但摘要未提供数据集名称、样本规模、评价指标、具体基线及数值结果。能量项权重、邻域参数、采样停止条件、运行时间、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其局部密度建模与子空间相似度可能适用于固定维度 EEG 特征向量的无监督分组，但并未直接建模 EEG 时序或通道拓扑，也不构成 BCI 有效性证据。可复用部分是邻域定义和点过程能量框架，需改造的是特征表示、距离度量及子空间权重；低信噪比、跨被试偏移及小样本可能使局部密度估计不稳定。一个可证伪的小实验是在固定预处理与特征条件下，比较完整方法、去除局部子空间加权的版本及常用聚类基线，分别检查被试内聚类质量、稳定性和运行时间。已有 EEG 相关工作尚未检索确认。