本研究提出了一种新颖的多视图子空间聚类方法，其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架，结合多视角数据和谱聚类学习一致性亲和矩阵，解决了现有方法采用两阶段框架以及假设域数据均为线性子空间的问题。实验证明，该方法表现优于现有的聚类方法。

May, 2022

本文提出了一种名为 S$^3$C 的联合优化框架，用于同时学习亲和性和分段，并通过备用方向乘法的组合和谱聚类找到结构稀疏表示和分段。在实验中，对合成数据集、扩展的 Yale B 数据集、Hopkins 155 运动分割数据库和三个癌症数据集进行了测试，证明了这种方法的有效性。

Oct, 2016

本文提出了一种新的局部多视图子空间聚类模型，该模型考虑了不同视图和样本的置信度，并通过适当地为每个视图下的每个样本分配权重，从而获得了鲁棒的一致表示，进一步在权重参数上开发了一个基于凸共轭理论的正则化器，并以自适应方式确定样本权重，使用具有收敛保证的高效迭代算法，通过四个基准上的实验结果证明了该模型的正确性和有效性。

May, 2017

本文提出了一种结构化的 LRR 方法，通过因式分解成低维数据聚类表示，对每个视图进行数据聚类结构的表征，并在 laplacian 正则化器的作用下保留了每个视图的灵活的本地流形结构和迭代多视图一致性策略，通过最小化优化过程中所有因子化潜在数据聚类表示之间的发散目标，其中每个视图的此类潜在表示用于调节其他视图的表示，以协调所有视图的一致性，并在真实世界的多视图数据集上进行了广泛的实验，表明其优于现有技术水平。

Sep, 2017

提出了增强的潜在多视图子空间聚类方法 (ELMSC)，该方法通过构建增广数据矩阵来增强多视图数据的表示，以实现完全恢复潜在空间表示，并通过稀疏正则化避免冗余的一致性信息计算。实验结果表明，我们的方法在真实数据集上具有比某些最新的多视图聚类方法更高的聚类性能。

Dec, 2023

本文提出 t-SVD 基于多视角数据的子空间聚类方法，通过引入张量代数、低秩张量约束和增广 Lagrange 方法来探索多视角数据中的高阶相关性和互补信息。经过广泛实验证明，该方法在多个挑战性图像数据集上表现卓越。

Oct, 2016

提出一种线性复杂度的大规模多视图子空间聚类算法，通过锚图的概念学习每个视图的较小的图形，将它们集成在一起并在较小的图形上实现谱聚类，该方法验证有效性和有效性。

Nov, 2019

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

本文提出了一种多图拉普拉斯正则化的低秩表示方法来解决多视图谱聚类问题，该方法不仅在保持本地流形结构方面具有很好的性能，而且还能逐步使不同视图更加一致。在真实世界的多视图数据集上的广泛实验证明了其优越性。

Aug, 2016

在大规模多视角数据集中，我们提出了一种高效有效的多视角子空间聚类深度框架 (E$^2$LMVSC)，通过提取统一的表示来增强聚类性能。

Oct, 2023