跨异质视图的多视图自表示学习

基于摘要分析。该研究针对同一样本经不同预训练模型提取后特征分布存在差异的问题，提出 multiview self-representation learning（MSRL），利用异质视图间的自表示性质，从大规模无标签视觉数据中学习不变表示。原论文主要研究对象是视觉特征的完全无监督迁移与多视图表示学习，并非 EEG 或 BCI。 方法将不同预训练模型对同一批视觉样本生成的特征视为异质多视图数据，引入依赖自表示学习的信息传递机制，对线性模型的输出进行特征聚合；同时利用分配概率分布一致性引导多视图学习，结合视图间的互补信息，约束不同线性模型之间的表示不变性。摘要还提及对分配概率分布一致性及增量视图的理论分析，但具体假设、目标函数、优化流程和增量处理方式尚未验证。 作者报告，在所开展的实验中，MSRL 持续优于若干先进方法；摘要未提供数据集、评价指标、数值、划分协议或对照方法名称，因此无法判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证，复现所需的预训练特征、实现和超参数也需查阅全文确认。 平台推测（待验证）：若多个 EEG 编码器为同一试次生成可对应的特征，MSRL 的自表示聚合与分配一致性可能用于缓解异质表征融合困难。可复用部分是多视图聚合和一致性约束，需改造的是 EEG 特征提取、视图对应与归一化；视觉大规模无标签数据条件不能直接等同于 EEG 小样本条件。低信噪比、跨被试差异、通道不一致或错误分配相互强化，都可能使该机制失效。一个可检验的小实验是在固定 Cross-subject 划分下，对同一批训练试次提取两种编码器特征，比较单视图、简单拼接与 MSRL，并消融一致性机制，统一报告 Balanced Accuracy；测试被试是否参与无标签训练须单独说明。已有 EEG 相关工作尚未检索确认。