本文提出了一种基于扩散模型和对比学习的不完全多视角聚类框架，用于解决大量未标记数据的有效数据分析，试图通过恢复缺失视角提高多视角聚类性能。

May, 2023

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

本文提出一种深度多视角聚类 (Multi-view Clustering) 框架，将数据恢复和对齐融合在一个层次一致的方式中，通过最大化不同视角之间的互信息，并确保它们的潜在空间的一致性来解决多视角数据在现实世界应用中的视角缺失和不对齐问题。实验结果表明，我们的方法在多视角聚类中显著优于现有方法，即使在视角缺失和不对齐的情况下也是如此。

Oct, 2023

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

基于流形学习的不完整多视角聚类方法通过双一致性指导灵活地恢复各个视角下的不完整数据，并通过反向正则化实现双一致性指导策略，同时在探索恢复数据的隐藏结构方面提出了流形嵌入测量。此外，该方法平衡了不同视角的重要性，并为每个视角引入了自适应权重项，通过交替迭代优化策略的优化算法进行最终聚类。与几种先进的基线方法相比，该方法在 6 个基准数据集上得到显著优越的结果。

May, 2024