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，通过少量用户提供的 must-link（必须同簇）或 cannot-link（不可同簇）成对约束，引导定向表征学习，实现符合用户偏好的个性化聚类。 方法机制：系统主动查询最具信息量的样本对，摘要将其描述为最难聚类以及最容易被错误聚类的样本对，以反馈引导聚类方向；随后利用注意力机制学习并增强定向表征，结合约束对比损失完成聚类。其监督来源是用户交互提供的成对关系，而非完全无监督；具体查询评分、注意力结构、损失形式及训练流程尚未验证。 理论与实验：作者报告给出了个性化聚类风险的紧致界，并据此说明主动用户查询能够降低聚类风险。该结论依赖的假设、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，有限查询数量下仍有效；摘要未提供数据集名称、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 探索性聚类的目标是按任务相关状态而非被试或噪声分组，成对约束可能用于表达分析者希望保留的分组关系。可复用部分是主动查询与约束对比学习机制；需改造 EEG 时序输入表征，并明确专家能否可靠判断样本对关系。低信噪比、跨被试及通道差异可能使查询集中于伪迹或个体差异，小数据下也可能过拟合少量约束。一个可检验的小实验是在固定 EEG 数据划分、相同初始表征及成对约束预算下，比较主动查询、随机查询和无约束聚类，并分开核对任务状态与被试身份的聚类关系。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。