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

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

基于锚点图的多视角聚类方法备受关注，为避免后处理，现有的基于锚点图的方法学习到具有连通分量的二部图，然而，这些方法对参数有很高的要求，且在某些情况下可能无法获得具有清晰连通分量的二部图。为了解决这个问题，我们提出了一种基于张量投影的标签学习方法（LLMTP），通过正交投影矩阵将锚点图投影到标签空间中直接得到聚类标签。为了充分利用多视角数据的空间结构信息，我们将矩阵投影转化为张量投影，以便在不同视角的投影中可以充分利用视角之间的空间结构信息。此外，引入了张量 Schatten p - 范数正则化，使不同视角的聚类标签矩阵尽可能一致。通过大量实验证明了该方法的有效性。

Feb, 2024

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

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

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

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

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