重新思考视图一致性：面向多视图聚类的共识导向表征学习

基于摘要分析。该研究针对多视图聚类中强制跨视图一致性可能削弱视图特有判别信息的问题，提出共识导向表征学习：保留各视图的内在关系结构，由不同视图差异化地贡献于联合学习的共识表征，并仅对共识表征施加直接聚类监督。 核心机制是将“形成全局聚类共识”与“要求各视图表达相同语义”分离。作者认为，当聚类相关信息在各视图中冗余分布时，直接对齐或使用全局目标约束单视图可以有效；但当证据仅存在于部分视图时，这些约束可能抹平互补信息，或要求单视图重现超出自身观测范围的语义。所提方法不显式推动各视图相互一致，而让其依据对全局聚类结构的贡献参与优化。摘要未说明关系结构的定义、贡献分配方式、共识融合机制及具体损失形式，也未明确聚类监督信号的构造方式，不能据此认定使用真实类别标签。 作者报告，在多个基准数据集上的实验显示，该方法能够保留视图关系并获得更具判别性的聚类结果；摘要未列出数据集名称、指标、数值、划分或对照配置，实验协议、消融及统计信息尚未验证。代码仅承诺在论文被接收后提供，当前开放状态及接收状态不能据此确认。 平台推测（待验证）：若将同一样本的 EEG 频带、通道组或不同模态构造成配对视图，保留视图特异结构可能有助于避免将局部判别信息强行对齐。该假设依赖可靠的跨视图样本对应与关系估计；可考虑复用共识聚类思路，但需改造 EEG 特征编码和关系构造。低信噪比可能使视图关系主要反映伪迹，被试差异、通道变化及小数据也可能降低关系估计可靠性。可在固定数据划分和编码器条件下，比较一致性约束与共识导向目标，并逐步加入噪声视图，检验保留视图特异结构是否改善聚类。相关 EEG 工作尚未检索确认，该迁移不属于本文已验证结果。