该论文提出了一种基于非负矩阵分解的在线多视图聚类算法（OMVC），可以处理大规模和不完整的视图数据，并通过动态权重和损失规范提高聚类效果。

Nov, 2016

本论文提出了一种名为 FCMVC-IV 的方法，用于解决多视角聚类中的不完整连续数据问题。该方法维护一致性系数矩阵并更新知识，而不是存储和重新计算所有数据矩阵，使用了两个指示器矩阵和旋转矩阵来匹配不同维度的矩阵，并设计了一个三步迭代算法以线性复杂度解决产生的问题。经过全面的实验后，表明 FCMVC-IV 的卓越性。

Jun, 2023

本文针对在多视角数据的部分视角缺失下进行聚类的问题，提出了一种名为 LSIMVC 的简洁、高效的方法，其通过实现稀疏规则和新颖的图嵌入多视角矩阵分解模型，从不完整的多视角数据中学习出一种稀疏的结构化共识潜在表征。

Aug, 2022

本文提出了一个深度不完全多视图多聚类 (DiMVMC) 框架来处理多视图数据不完整问题，并通过优化多组解码器深度网络来实现数据视图和多个共享表示的同时完成。实验表明，DiMVMC 在生成高质量，多样性的多个聚类方面优于现有的同类竞争对手。

Oct, 2020

提出了一种名为 ICMVC 的新型不完整对比多视图聚类方法，主要解决不完整多视图数据聚类中的缺失值问题，并通过多视图一致性关系转移、图卷积网络、实例级注意力融合、高置信度引导和对比学习实现了完整多视图表示和聚类分配的联合优化。实验证明了该方法的有效性和优越性。

Dec, 2023

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

提出了一种新的不完整多视图对比聚类框架，它直接优化了潜在特征子空间，并利用学习的特征向量及其子向量进行重建学习和一致性学习，从而有效地避免了维度崩溃，同时通过交叉视图预测机制来恢复不完整数据，采用最小条件熵来丢弃不一致信息，进一步避免私有信息的影响。实验结果表明，该方法在 5 个公共数据集上实现了最先进的聚类结果。

Mar, 2023

本文提出了一种基于加权半非负矩阵分解的双重对准不完整多视图聚类算法（DAIMC），通过利用实例对齐信息学习所有视图的公共潜在特征矩阵，并通过 L2,1 - 范数正则化回归建立共识基矩阵，从而解决了视图不完整性问题，并减少视图不完整对聚类的影响。实验表明，方法有很好的优势。

Mar, 2019

提出了一个基于不确定性的不完整多视图数据分类模型，通过构建分布来捕捉丢失视图的不确定性，并根据采样质量自适应利用它们来实现更明显的数据填充和可控融合，使用证据融合策略来保证集成填充视图的可靠性和性能，多个基准数据集的实验证明了该方法的优越性。

Apr, 2023

提出了一种使用本地信息和视图之间的互补信息来学习所有样本的通用潜在表示的简单方法，通过对每个视图的基础矩阵施加正交约束，该方法能够处理缺失视图的多视图聚类和分类任务，并证明在多个多视图数据集上能显著提高聚类性能。

Sep, 2018