通过定向表征学习实现个性化聚类

基于摘要分析。本文研究无标签数据的自然聚类结构与用户偏好不一致的问题，提出通过少量用户交互进行定向表征学习的个性化聚类方法。核心贡献是将主动成对查询、注意力机制与受约束对比损失结合，用用户提供的任务信息引导聚类方向，而非仅恢复数据自身的分组结构。 机制方面，用户反馈包括 must-link（必须同簇）或 cannot-link（不能同簇）成对约束。方法优先查询最难聚类及最容易被错误聚类的数据对，以获取与聚类偏好有关的信息；随后利用注意力机制学习并增强定向表征，再结合受约束对比损失获得个性化聚类结果。摘要未提供查询评分公式、注意力实现、损失具体形式及交互训练流程，这些内容尚未验证。 作者报告，在理论上为个性化聚类风险给出了紧致界，并据此说明主动用户查询能够降低聚类风险；该结论所需假设、风险定义及界的适用范围需查阅全文。作者报告，方法在不同聚类任务和数据集上表现良好，且在查询数量有限时仍有效。摘要未列出数据集、查询预算、指标数值或对照基线，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本存在可由专家稳定判断的成对关系，这一机制可能用于探索符合任务偏好的个性化聚类，而非直接作为已验证的 BCI 解码方法。可复用部分是成对约束、主动查询和受约束表征学习；需改造 EEG 输入表征、查询单位及约束含义。其依赖可靠反馈，EEG 低信噪比、跨被试差异、通道变化和小数据可能使查询集中于噪声或被试身份，而非目标状态。一个可证伪的小实验是在固定 EEG 数据划分、相同表征和专家查询预算下，对比主动选对与随机选对，评估其对预先定义的目标状态聚类指标的影响。已有 EEG 相关工作尚未检索确认。