本篇研究通过提出一个新的半监督多视图概念分解模型 SMVCF，结合多视图概念分解、标签传播和流形学习等技术，以及引入适应性权重向量，来克服传统方法中忽略标签和视角信息的不足，从而在多视图聚类任务中取得了令人满意的效果。

Jul, 2023

本文提出了一种用于大规模数据的变分 Factorization Machines 算法，通过标准的 Mini-Batch 随机梯度下降法实现优化，从而为预测结果提供可靠的置信度，并在多个数据集上展示了其在预测准确性上具有与现有方法相媲美甚至更好的性能，同时提出了在偏好调查技术等活动策略中的应用。

Dec, 2022

本论文提出了一个基于联合多视图学习的框架，用于多视图数据泄露预防，以解决医学数据分布困难、数据来源异构等问题。该框架兼容垂直联合多视图学习和水平联合多视图学习两种问题，并通过键盘数据的实验验证表明，该方法可以在保护隐私的同时充分利用多视图数据，同时 V-FedMV 和 H-FedMV 方法的表现都显著好于其单视图和成对对应方法。此框架是首个考虑在联合多视图设置中进行垂直和水平多样化以及顺序联合学习的研究。

May, 2021

提出了一种基于深度矩阵分解与分割对齐的新型多视角聚类算法，全面利用各视角的分区表示并融合多视角信息，通过交替优化算法解决优化问题，实验结果表明该算法在六个多视角数据集中优于目前的方法。

May, 2021

多视角数据提供了比传统单视角数据更丰富的信息，多视角聚类算法旨在发现多视角数据之间共享的潜在结构，但现有方法往往没有充分利用多视角数据之间的横向协作，本文提出了一种基于横向协作的联合多视角协同聚类方法 (JMVCC)，包括使用非负矩阵分解 (NMF) 和横向协作原则生成基本分区，以及使用集成聚类方法融合这些局部分区，同时提出一种加权方法来降低低质量视角对生成和融合局部分区的负面影响，实验证明 JMVCC 在各种数据集上优于其他多视角聚类算法，对噪声视角具有鲁棒性。

Oct, 2023

提出了一种使用联邦学习框架的多视图矩阵分解方法，旨在学习多视图模型且无需将用户的个人数据传输到中央服务器。在三个生产数据集上进行了实证验证，结果表明这种方法在联邦推荐任务的冷启动预测方面表现优于不考虑数据多视图结构的简单方法，同时证明了该方法对复杂的预测任务的有用性。

Apr, 2020

提出了一种基于多视图矩阵补全的半监督多标签图像分类方法，该方法充分利用不同视图的特征，并通过加权方式融合多视图矩阵补全的输出，同时使用交叉验证策略来学习视图组合权重和深度学习模型，经实验证明该方法相较于其他方法更加鲁棒有效。

Apr, 2019

本文提出了一种新的概率多视图学习算法，利用视图间的随机一致性作为正则化，该算法在结构化和非结构化问题上工作，并容易推广到部分一致情况，其中在完全一致情况下，我们的算法最小化每个视图模型之间的 Bhattacharyya 距离，并在几个平面和结构化分类问题上表现优越。

Jun, 2012

提出了一种多视角聚类方法，它使用矩阵分解实现低复杂度且高效率的多视角聚类，并在自我监督学习的基础上利用多样的表示方法，避免二阶段过程，在多维度下开展信息聚合，并使用 $k$-means 进行统一聚类，得出了在各种数据集上优越的聚类性能表现。

Jun, 2023

本研究提出了一种基于协作矩阵分解的解决方案，称为 M3Lcmf，该方法使用异构网络编码不同类型的关系，探索包、实例和标签之间的潜在关系，并选择性地合并数据矩阵，进一步引入聚合方案，将实例级标签聚合到包级别，并指导分解，实验结果表明，在实例级和包级预测方面，M3Lcmf 优于其他相关解决方案。

May, 2019