基于低张量秩表示的多模态张量空间聚类

基于摘要分析。本文研究高维张量数据的聚类问题，针对向量化可能丢失数据内在结构的局限，提出低张量秩表示（LTRR）及多模态张量空间聚类算法（MMTSC），在张量空间中利用自表达关系，并协调不同张量模态的聚类结果。这里的“模态”指张量的不同维度，并非不同传感器或数据类型。 核心机制是沿张量各模态展开，分别求取展开矩阵的表示系数矩阵，再将系数矩阵张量化为三阶张量并施加低张量秩约束。MMTSC 借鉴多视图聚类框架，对各模态变换后的系数张量组合所得的张量施加联合约束，旨在同时捕获各张量空间内部的低秩性质与跨模态聚类一致性。摘要称该算法可处理完整数据及存在缺失条目的数据，但具体秩定义、优化目标、求解流程与缺失值处理方式尚未验证。 作者报告，MMTSC 在所考察的多种情形下可优于已有聚类算法；摘要未提供数据集、评价指标、数值或对照设置，因此尚不能判断优势幅度及适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据可组织为具有稳定多维结构的张量，且不同簇近似满足低秩空间与自表达假设，该机制可能用于探索无监督分组。可复用的是逐模态表示与一致性约束，需改造的是 EEG 张量构造、尺度归一化及缺失通道的处理。低信噪比、跨被试差异和小样本可能使聚类主要反映伪迹或个体身份，而非目标神经状态。一个可证伪的小实验是在同一固定 EEG 数据划分与预处理下，对比 MMTSC、向量化子空间聚类及单模态版本，并在受控通道缺失条件下比较聚类与已有状态标签的一致性；标签仅用于事后评估。已有 EEG 相关工作尚未检索确认。