提出了一种基于深度矩阵分解与分割对齐的新型多视角聚类算法，全面利用各视角的分区表示并融合多视角信息，通过交替优化算法解决优化问题，实验结果表明该算法在六个多视角数据集中优于目前的方法。

May, 2021

本文提出了一种名为多视角机器（MVM）的通用预测器，其可以有效地包括多个视图中特征之间的所有可能交互，并嵌入联合分解以实现参数稀疏估计。通过与其他方法进行比较，我们进一步说明了 MVM 的优势，包括支持向量机（SVM）、支持张量机（STMs）和因子机（FMs）等多视角分类任务。同时我们还提出了一个用于学习 MVM 模型的随机梯度下降方法。

Jun, 2015

提出了一种多视角聚类方法，它使用矩阵分解实现低复杂度且高效率的多视角聚类，并在自我监督学习的基础上利用多样的表示方法，避免二阶段过程，在多维度下开展信息聚合，并使用 $k$-means 进行统一聚类，得出了在各种数据集上优越的聚类性能表现。

Jun, 2023

多视角数据提供了比传统单视角数据更丰富的信息，多视角聚类算法旨在发现多视角数据之间共享的潜在结构，但现有方法往往没有充分利用多视角数据之间的横向协作，本文提出了一种基于横向协作的联合多视角协同聚类方法 (JMVCC)，包括使用非负矩阵分解 (NMF) 和横向协作原则生成基本分区，以及使用集成聚类方法融合这些局部分区，同时提出一种加权方法来降低低质量视角对生成和融合局部分区的负面影响，实验证明 JMVCC 在各种数据集上优于其他多视角聚类算法，对噪声视角具有鲁棒性。

Oct, 2023

提出了在低秩张量空间中采用超拉普拉斯正则化概念分解（HLRCF）进行多视角聚类，通过采取概念分解来探索每个视图的潜在簇表示，并赋予超图拉普拉斯正则化能力抽取潜在空间中的非线性局部结构。通过开发自权重张量 Schatten p 范数来约束由所有簇表示组成的张量，可以解决不同张量奇异值之间的分布不均问题。在八个基准数据集上的实验结果表明，HLRCF 在多视角方法中表现出较高的性能。

Apr, 2023

通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具有较大的价值，并使用多种数据集进行评估，相比于现有的方法，获得了非常有前景的结果。

Aug, 2023

本论文总结并分析了目前多视角聚类（MVC）方法的常见策略，并提出了一种新的 MVC 方法分类。我们进一步讨论了 MVC 与多视图表示、集成聚类、多任务聚类、多视图监督和半监督学习之间的关系，并详细阐述了几个代表性实际应用。为了推进将来 MVC 的发展，我们设想了一些可能需要进一步研究和深入考虑的开放性问题。

Dec, 2017

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

利用对比学习和过滤结构融合的方法解决多视角聚类中的遗忘问题，并与半监督学习和知识蒸馏进行理论连接。

Sep, 2023

本研究提出了一种基于协作矩阵分解的解决方案，称为 M3Lcmf，该方法使用异构网络编码不同类型的关系，探索包、实例和标签之间的潜在关系，并选择性地合并数据矩阵，进一步引入聚合方案，将实例级标签聚合到包级别，并指导分解，实验结果表明，在实例级和包级预测方面，M3Lcmf 优于其他相关解决方案。

May, 2019