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
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
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
本文介绍了一种多视角子空间聚类方法，利用共识重构系数矩阵和共识图滤波器进行数据平滑以及设计重构系数矩阵的规则化器，最终通过多个视角的重构系数矩阵创建约束条件，并提供了一个优化算法来获得它们的最优值。通过广泛的实验，显示该方法优于一些最先进的方法。
Jan, 2024
基于层次特征下降的锚点多视角子空间聚类方法 (MVSC-HFD) 通过类似性空间 (STAGE 2) 中的统一采样策略，以线性时间代价进一步降低计算复杂度，并通过子空间聚类 (STAGE 3) 来共同学习表示，从而在公共基准数据集上广泛实验表明，我们提出的模型始终优于现有技术的最新成果。
Oct, 2023
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
提出了一种名为 OS-LFMVC-CS 的一步式后融合多视图聚类框架，通过使用一致子空间对齐分区矩阵和优化分区融合，利用融合的分区矩阵指导离散标签的学习，在验证了收敛性的基础上，提出了一种六步迭代优化方法，实验证明了该方法的有效性和高效性。
深度子空间聚类网络通过线性子空间聚类算法学习表示矩阵，进一步改进了多层图的性能，并在聚类外样本数据点中取得了统计学上显著的改进。
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。
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