面向不完整多视图多标签分类的标签引导表征学习

基于摘要分析。本文研究视图与标签均存在部分缺失时的多视图多标签分类，提出 Label-Guided Representation Learning（LGRL），将部分标注蕴含的语义结构作为学习过程中的结构先验，而不只将标签用作监督信号。 核心机制包括：通过可学习的类别原型构建语义感知混合先验，引导表征提取；引入类别特定的条件后验，使类别原型充当多视图融合中的贝叶斯专家；推导标签驱动的信息瓶颈目标，在重构充分性与跨视图一致性之间取得平衡，支持类别条件推理。其方法重点在于让标签语义贯穿表征提取与融合，而非仅作用于分类输出。具体概率分布、损失形式及权重、缺失视图的处理与推理流程尚未验证。 作者报告，LGRL 在基准数据集以及体育分析、医学影像应用中表现有效；摘要未提供数据集名称、缺失比例与机制、划分协议、对照基线或定量指标，因此暂不能判断增益幅度及适用边界。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。 平台推测（待验证）：若 EEG 任务可明确组织为多视图输入，且同时存在视图缺失和多标签标注不完整，该方法的类别原型与条件融合机制可能具有借鉴价值。迁移依赖有意义的视图划分及足够可靠的标签语义；需改造 EEG 表征提取模块，并核对原方法是否依赖推理时不可获得的标签信息。低信噪比、跨被试差异及小样本可能使类别原型不稳定，通道缺失也未必等价于整视图缺失。可在固定被试划分与缺失协议下，对比完整 LGRL 与去除标签语义先验的版本，检验该机制是否带来稳定增益。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。