本文提出了多种有效的多视角学习方法，并将它们分为三类：共同训练，多核学习和子空间学习，并利用共识原则或互补原则来确保多视角学习的成功。
Apr, 2013
本论文总结并分析了目前多视角聚类（MVC）方法的常见策略，并提出了一种新的 MVC 方法分类。我们进一步讨论了 MVC 与多视图表示、集成聚类、多任务聚类、多视图监督和半监督学习之间的关系，并详细阐述了几个代表性实际应用。为了推进将来 MVC 的发展，我们设想了一些可能需要进一步研究和深入考虑的开放性问题。
Dec, 2017
本文提出了一种基于共享生成潜在表征的多视角聚类方法，通过深度生成学习从视角中提取非线性特征并捕捉视角之间的相关性以达到更好的聚类性能，并在多个不同规模的数据集上得到了优于现有方法的实验结果。
Jul, 2019
本文研究多视角学习节点表示，提出了一种多视图表示学习方法，促进了不同视图之间的协作，并让它们为健壮表示投票，投票过程中引入了注意机制，实验结果表明该方法优于现有的单视图和竞争的多视图网络表示学习方法。
Sep, 2017
本文研究了多视角数据下的特征表示学习问题，比较了基于神经网络的多种技术，提出了一种新的深度自编码器，通过随机优化方法探索了小批量相关性目标函数，最终发现基于相关性的表现效果最佳。
Feb, 2016
本文旨在从潜在组件识别的角度理解基于最大化相关性的深度多视角学习，并采用一种直观的生成模型来分析多视角数据，它是共享和私有组件的不同非线性混合物，通过最大化潜在相关性，可以保证从各个视角提取共享组件（在一定程度上）并且还证明了通过适当的正则化设计，每个视图中的私有信息可以被明确地分离出来。
Jun, 2021
多视图聚类在跨模态表示学习和数据驱动决策方面具有重要影响；然而，随着对比学习在计算机视觉领域的不断发展，自监督学习也在多视图聚类方法中逐渐占主导地位。该论文探讨了自监督多视图聚类的原因、优势以及常见数据集、数据问题、表示学习方法和自监督学习方法的内部联系和分类，并介绍了各类方法的机制和应用示例。最后，提出了一些待进一步研究和发展的开放性问题。
Sep, 2023
本论文探讨了如何对多视角聚类模型进行表示分布的对齐操作，提出了对齐操作存在的问题，并提出了一种避免对齐操作的基线模型以及新增一种选择性对齐的对比学习组件，实验证明该模型可以有效提高多视角聚类模型的性能表现。
Mar, 2021
我们提出了一个全新的基于深度学习的多视角聚类框架，通过学习有意义的融合数据表示和一致的伪标签，实现对通用数据的聚类分析任务的改进。
Feb, 2024
提出了一种可靠性冲突多视图学习 (RCML) 问题，并提出了 Evidential Conflictive Multi-view Learning (ECML) 方法，该方法首先学习视图特定证据，然后构建视图特定观点，最后在多视图融合阶段提出了冲突观点聚合策略。实验证实了 ECML 的有效性。