通过提出一种新的多视角深度子空间聚类网络 (multi-view deep subspace clustering network, MvDSCN)，并借助多元深度自显式矩阵 (self-representation matrix) 来学习，该模型可用于探测互补信息以有助于提取内在的结构，并且优于其他的多特征、多模态学习模型。

Aug, 2019

本文提出了一种基于锚图、伪标签和对比学习的深度多视图子空间聚类方法，通过独立学习每个视图的特征并在集成锚图上执行谱聚类来解决现有方法存在的问题，实验结果表明其在真实世界数据集上具有优越的聚类性能。

May, 2023

提出一种线性复杂度的大规模多视图子空间聚类算法，通过锚图的概念学习每个视图的较小的图形，将它们集成在一起并在较小的图形上实现谱聚类，该方法验证有效性和有效性。

Nov, 2019

在大规模多视角数据集中，我们提出了一种高效有效的多视角子空间聚类深度框架 (E$^2$LMVSC)，通过提取统一的表示来增强聚类性能。

Oct, 2023

通过在两个不同的空间中进行共训练，提出了一种名为 DSCMC 的新型多视图聚类模型，以增强聚类性能。我们的方法旨在捕捉不同视图中数据点之间的内在关系和结构，并将信息从多个视图映射到共享的潜在空间。通过构建潜在一致的锚图和特征转换来实现共同优化，从而生成具有判别性能力的锚图。我们的算法具有近似线性的计算复杂度，在大规模数据集上应用非常成功。通过实验证实，与现有方法相比，我们的方法显著降低了计算复杂度并获得了更好的聚类性能。

Jan, 2024

本研究提出了一种新颖的多视图子空间聚类方法，其中采用了 Enriched Robust Multi-View Kernel Subspace Clustering 框架，结合多视角数据和谱聚类学习一致性亲和矩阵，解决了现有方法采用两阶段框架以及假设域数据均为线性子空间的问题。实验证明，该方法表现优于现有的聚类方法。

May, 2022

本研究提出了一种多视角子空间聚类算法，该算法通过构建共享于所有视图的相似度矩阵学习联合子空间表示，采用了重要的低秩和稀疏性约束，通过交替方向乘子法求解相关的优化问题，进一步扩展到非线性子空间，并在一个合成及四个真实数据集上表现出优于现有算法的聚类效果。

Aug, 2017

在本文中，我们引入了一个新的多视图子空间聚类的可扩展性框架，并提出了一种有效的优化策略，利用核特征映射来减少计算负担，同时保持良好的聚类性能。该算法的可扩展性意味着它可以应用于包含数百万数据点的大规模数据集，并在几分钟内使用标准机器完成。我们通过对各种规模的真实基准网络进行广泛实验，评估了我们的算法在支持多视图子空间聚类方法和属性网络多视图方法方面的性能。

Feb, 2024

通过使用图卷积网络进行对比多视图子空间聚类，该研究提出了一种有效的方法来解决高维复杂光谱结构对高光谱图像聚类的挑战，通过最大限度地利用 HSI 中的空间和纹理特征信息来提高聚类准确性。

Dec, 2023

提出了增强的潜在多视图子空间聚类方法 (ELMSC)，该方法通过构建增广数据矩阵来增强多视图数据的表示，以实现完全恢复潜在空间表示，并通过稀疏正则化避免冗余的一致性信息计算。实验结果表明，我们的方法在真实数据集上具有比某些最新的多视图聚类方法更高的聚类性能。

Dec, 2023