面向不完整多视图学习的兼具生成性与完整性的潜在表征学习

研究针对观测过程受限所造成的多视图数据缺失，提出 Complete Multi-view Variational Auto-Encoders（CMVAE），旨在兼顾缺失视图生成与跨视图完整信息整合。基于摘要分析，未取得论文全文。 核心机制是以高斯混合分布表示完整潜变量，并建模由该潜变量生成多个视图的过程，通过后验分布估计处理缺失视图。作者进一步提出新的变分下界，将视图不变信息纳入后验推断，挖掘视图间内在相关性以提取跨视图共性，并通过视图权重融合信息。其方法定位是弥合仅填补缺失视图与仅从已有视图推断一致表征这两类策略之间的不足；具体损失形式、权重计算及训练与推理流程尚未验证。 作者报告，CMVAE 在基准数据的聚类、分类和跨视图图像生成任务中优于对照方法，并以时间复杂度和参数敏感性分析支持其效率与稳健性，另展示了生物信息学数据应用。摘要未给出数据集名称、缺失模式、数据划分、基线和指标数值，因此无法判断优势的幅度与适用边界；实验协议、消融及统计信息尚未验证。生物信息学应用不等于 EEG 或 BCI 验证。 平台推测（待验证）：可检验的迁移假设是，在同步采集且样本可对齐的 EEG 多模态数据中，生成式共享潜变量可能缓解整种模态缺失。可复用部分是多视图生成与后验融合思路，需改造各模态的编码器、观测分布及时间对齐方式。EEG 低信噪比、跨被试差异和小样本条件可能使共享潜变量丢失模态特异信息，或产生不可靠补全。一个小规模可证伪实验是在固定跨被试划分下，仅从训练集学习模型，在测试集控制模态缺失模式，与仅用可用模态及简单填补基线比较同一分类指标，并单独核对补全质量。已有 EEG 相关工作尚未检索确认。