基于信息瓶颈的可学习图引导深度多视图表征学习

基于摘要分析。本文研究通用多视图表征学习，针对样本间图关系挖掘不足、图结构常仅作为正则项以及浅层模型学习能力有限的问题，提出无监督方法 LGG-DMRL，将可学习图引导的特征提取与信息瓶颈结合，以获取跨视图一致且保留互补信息的表征。 机制上，方法先通过自表示学习，从原始多视图数据中构建跨视图一致图；随后以该图驱动图引导注意力网络，提取各视图特有的特征表征；最后采用信息瓶颈原则，结合视图特有特征识别跨视图共享表征。其主要区别在于将样本图用于表征提取，而不只是施加图正则约束。摘要未给出图学习约束、信息瓶颈目标的具体形式、网络结构或训练流程，相关细节尚未验证。 作者报告，在五个真实世界数据集上的实验中，LGG-DMRL 相比近期多视图方法表现更优。摘要未提供数据集名称、任务、指标、数据划分、基线配置及具体数值，因此尚不能判断提升幅度和适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，将同一 EEG 试次的不同频带或特征类型作为对齐视图，利用一致图描述试次间关系，并借助信息瓶颈整合跨视图信息。该路径依赖样本跨视图对应关系和足以估计稳定图结构的数据；图学习与共享表征机制可能复用，EEG 特征构造、归一化和图构建范围则需改造。低信噪比、小样本及被试差异可能使图结构优先编码伪迹或个体特征，而非任务信息。一个小规模可证伪实验是：在固定 Cross-subject 划分、仅用训练被试构图的条件下，对比 LGG-DMRL、固定图变体与无图多视图基线，以同一分类指标检验可学习图的增益。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。