基于低秩表示的多视图子空间聚类

基于摘要分析。本文研究多视图子空间聚类，提出 multiview low-rank representation（MLRR），旨在避免各视图独立构建亲和矩阵时未能充分联合利用多视图内在结构的问题。核心贡献是结合对称低秩表示、主方向角度信息与跨视图融合，形成多个视图共享的紧凑表示。 机制上，MLRR 将对称低秩表示（LRR）理解为以多视图数据自身作为新基底的近似线性空间变换，并在对称条件下利用 LRR 主方向的角度信息构建亲和矩阵。对称约束使行与列主方向的角度信息保持一致；方法同时结合 LRR 技术与多样性正则项，利用视图间的多样性和一致性，再从谱聚类角度融合各视图的对称 LRR。摘要称该模型可通过求解凸优化问题高效计算，但具体目标函数、正则项作用及求解流程尚未验证。 作者报告，在基准数据集上的实验中，MLRR 相比若干先进多视图子空间聚类算法表现出有效性与鲁棒性。摘要未给出数据集名称、评估指标、数值结果或具体对照方法，因此无法判断收益幅度及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据能够为同一批样本提供对齐的多视图特征，例如不同频段的特征，MLRR 的对称表示、亲和矩阵构建和融合机制可作为无监督聚类假设进行测试，而非已证实的 BCI 解码方法。迁移需要明确视图定义、特征归一化及样本对应关系；低信噪比、通道差异、小样本和跨被试分布变化可能使亲和结构不稳定，多视图一致性也可能反映共同伪迹。可先在固定被试内划分下，比较 MLRR 与单视图 LRR、独立亲和矩阵融合的聚类表现，并检验加入噪声视图后的稳定性。已有 EEG 相关工作尚未检索确认。