本文提出了一种新颖的深度部分多重网络嵌入方法，利用自编码器神经网络，共同的潜在子空间学习和图 Laplacian 的方法学习网络嵌入，以处理不完整的多重数据，并在节点分类，链接预测和聚类任务中展示了卓越的性能。

Mar, 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

提出了一种基于深度神经网络的掩码两通道解耦框架，用于解决复杂而高度逼真的不完全多视角弱多标签学习任务，核心创新在于将深度多视学习方法中的单通道视图级表示解耦为共享表示和视图专有表示，并设计了交叉通道对比损失以增强两个通道的语义属性。此外，利用监督信息设计了标签引导的图正则化损失，帮助提取的嵌入特征保持样本间的几何结构，并开发了随机片段掩码策略来改善编码器的学习能力。值得强调的是，我们的模型完全适应任意视图和标签缺失，并在理想完整数据上表现良好，在充分充足的实验证明了我们模型的有效性和先进性。

Apr, 2024

本文提出了一种基于 transformer 的多视图多标签学习框架，以解决多视图数据和多标签注释于模式识别中的应用。该框架通过设计两个基于 transformer 的模块对特征进行聚合和分类，并提出一种自适应视图融合模块解决视图表达的不平衡性，同时将标签约束到样本级表示学习中。五个数据集上的实验证实了该方法的有效性。

Mar, 2023

本文提出了一种新的不完整多视角聚类网络，称为 CDIMC-net，用于解决基于浅层模型的不完整多视角聚类方法中存在的问题，包括获取具有辨别力的共同表示以及对噪声和异常值的敏感性。实验结果表明，CDIMC-net 在几个不完整数据集上表现优于现有的不完整多视角聚类方法。

Mar, 2024

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

本论文致力于通过建立一种简洁而有效的模型来攻克学习来自多视角多标签数据的三大挑战：缺失标签、不完整视角和非对齐视角。我们利用多视角的一致性以及多个标签之间的全局和局部结构来缓解可用标签的不足。我们的实验结果表明，在五个真实数据集上，即使在没有视角对齐的情况下，我们的方法在性能上也显着优于最先进的视角对齐方法。

May, 2020

我们提出了一个统一的框架来研究从同时观察到的多个视图（如不同的数据模态）中学习到的表征的可识别性。我们允许部分观察的设置，其中每个视图都由一些潜在变量的子集的非线性混合构成，这些潜在变量可以有因果关系。我们通过对比学习和每个视图的单个编码器证明，任意数量的视图的所有子集共享的信息可以通过平滑双射进行学习。我们还提供了图形判据，指示哪些潜在变量可以通过一组简单的规则进行识别，我们称之为可识别代数。我们的总体框架和理论结果统一并扩展了关于多视图非线性 ICA、解缠和因果表示学习的几项先前工作。我们在数字、图像和多模态数据集上实验证实了我们的论述。此外，我们证明了我们设置的不同特殊情况下先前方法的性能可以得到恢复。总的来说，我们发现在部分可观察性的一般性较弱的假设下，获取多个部分视图有助于识别更精细的表征。

Nov, 2023

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

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