通过 VAE 循环置换进行深度不完整多视图学习

基于摘要分析。本文研究视图不规则缺失条件下的多视图表示学习，提出 Multi-View Permutation of Variational Auto-Encoders（MVP），利用 VAE 潜空间中的视图间对应关系推断缺失视图，并聚合共享与互补信息，以改善统一表示的信息充分性和一致性。 机制上，MVP 对变量进行随机重排以开展跨视图生成，再按视图划分，使其含义在置换下保持不变，据此推导有效的 Evidence Lower Bound（ELBO）。方法还通过后验分布的循环置换引入信息性先验，将正则项转化为分布间相似性度量。摘要未提供具体概率分解、先验形式及优化流程，这些机制如何共同避免不一致表示尚需正文核对。 作者报告，在七个不同数据集及不同视图缺失比例下，MVP 在多视图聚类与生成任务上取得优于对照方法的表现。摘要未列出数据集名称、缺失机制、数据划分、基线、指标或具体数值，因此尚不能判断优势幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 多视图数据具备样本级对应关系，且缺失的是可由其他视图提供部分信息的模态或特征组，MVP 的潜空间对应与分布一致性约束可能用于缺失视图下的表示学习。这一假设依赖可配对数据与足够的跨视图共享信息，需要改造面向 EEG 的编码器、解码器及观测分布；低信噪比、跨被试差异、通道不对齐和小样本可能使生成结果偏向共有模式而丢失任务信息。可在固定被试内划分中，对预定义 EEG 特征视图施加训练与测试缺失，比较完整 MVP、移除循环置换约束及简单补全基线的聚类表现，以检验该约束是否确有增益。已有 EEG 相关工作尚未检索确认。