使用张量技术将多视图和多图脑网络的依赖关系和相关性同时结合，可以通过利用多视图和多图交互来对脑网络进行聚类，提高疾病机理的理解和治疗方法的指导。

Jun, 2018

该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

Apr, 2023

我们提出了 HMGE，一种基于分层聚合的高维多重图嵌入方法，通过学习图维度的分层组合和在每个层次进行嵌入的方式，揭示了多重图维度中隐藏的复杂信息和潜在结构，并通过局部补丁和全局摘要之间的互信息最大化来训练模型以捕捉图中处于不同位置但具有全局相关信息的能力。通过在合成和现实世界数据上进行的详细实验，我们证明了我们的方法在链接预测和节点分类等下游有监督任务中的适用性。

Dec, 2023

本文提出了一种多视图图形编程表示方法，使用图形神经网络处理数据和控制流，并在此基础上评估了该方法在算法检测中的性能，结果表明这种方法比先前的方法表现得更好。

Feb, 2022

本研究提出 GP-MVC 模型，通过生成缺失视图的数据来解决不完整的多视角聚类问题，使用多视角编码器网络和生成对抗网络学习共享表示和生成缺失数据，并利用加权自适应融合方案来利用不同视图的互补信息。通过实验证明，该方法在四个基准数据集上优于现有的多视图聚类方法。

Mar, 2020

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

本研究提出一种新颖的生成对抗网络框架，即 MEGAN，用于多视角网络嵌入，通过保留多视角网络的信息并考虑它们之间的相关性，通过节点分类、链接预测和可视化任务的实验表明，该方法的表现优于现有的方法。

Aug, 2019

使用 BiGAN 模型，提出了一种多视图 BiGAN（MV-BiGAN）模型，可以从多个视图输入中执行密度估计，并且可以处理缺失视图并在提供额外视图时更新其预测。

Nov, 2016

本文提出了一种新的方法来学习基于视觉的单词含义表示，即在底层模态特定的词语表示上建立相互通信的图形，通过模拟人类相似性判断和概念分类来验证其能力，名为分层多模态相似性图嵌入（HM-SGE）。

Sep, 2021

该研究提出了一种新的基于图的神经网络的多视图方法，它开发了一种系统和方法论的调整，针对非欧几里得流形的上下文进行了卷积、池化和多视图结构等经典深度学习方法的关键概念，提出了一种新的基于视图的卷积层和新的视图池化层，以综合从多个视图生成的信息，并在端到端的图神经网络架构中用于图分类，并展示了与其他最先进方法相竞争的结果。

Jul, 2020