我们提出了一个全新的基于深度学习的多视角聚类框架，通过学习有意义的融合数据表示和一致的伪标签，实现对通用数据的聚类分析任务的改进。

Feb, 2024

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

提出了一种名为 Sufficient Multi-View Clustering (SUMVC) 的新方法，该方法从信息理论的角度考察多视图聚类框架，通过开发简单可靠的多视图聚类方法和提出足够的表示下界，解决了多视图聚类中的冗余信息和一致信息问题，为多视图数据分析提供了新的角度和有前景的解决方案。

Sep, 2023

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

多视图聚类在跨模态表示学习和数据驱动决策方面具有重要影响；然而，随着对比学习在计算机视觉领域的不断发展，自监督学习也在多视图聚类方法中逐渐占主导地位。该论文探讨了自监督多视图聚类的原因、优势以及常见数据集、数据问题、表示学习方法和自监督学习方法的内部联系和分类，并介绍了各类方法的机制和应用示例。最后，提出了一些待进一步研究和发展的开放性问题。

Sep, 2023

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

本文提出了一种新型的多阶段深度多视图聚类框架，引入多视图自我蒸馏（DistilMVC）来提取标签分布的暗知识，从而消除过度自信的伪标签的影响，提高模型的泛化能力，并通过对比学习来探索多个视图的常见语义，通过最大化视图之间的互信息来获得伪标签，同时通过教师网络将伪标签蒸馏为暗知识，提升学生网络的预测能力，实验结果表明，与现有方法相比，我们的方法在真实多视图数据集上具有更好的聚类性能。

Oct, 2023

本研究介绍了一种名为 MVMC 的多视图多聚类算法，将自表示学习应用于多视图数据中，使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息，再采用矩阵分解生成多个高质量多样性聚类，并进一步扩展到多视图多共聚类（MVMCC）。实验结果表明，本方法在多视图数据中生成的多样性聚类（共聚类）优于当前现有的算法。

May, 2019

本文提出了一种在线的多视角聚类方法（OPIMC），使用正则化矩阵分解和加权矩阵分解，可以相对容易地提取多视角数据中的聚类结果，解决了缺失问题，并引入两个全局统计量，有效的确定了迭代过程的终止。由于 OPIMC 的高效性和有效性，针对四个真实数据集进行的大量实验得出实验结果。

Mar, 2019