解决冲突是使多视角分类决策更可靠的关键，现有的基于信任的框架无法适应不同视角之间可能出现的冲突，因此我们开发了一种计算信任的折扣方法来增强现有的框架，通过考虑实例级概率敏感的信任折扣机制，对个体视角的预测进行融合以提高可靠性，在真实应用中的六个数据集上验证了我们的方法，使用了 Top-1 准确率、AUC-ROC 用于不确定性感知预测、Fleiss' Kappa 以及考虑了基准真实标签的新指标 Multi-View 一致性，实验结果表明，计算机信任可以有效解决冲突，为更可靠的多视角分类模型铺平了道路。

Jun, 2024

提出了一种新的多视角分类方法：可信的多视角分类，该算法动态集成不同视图的证据，以提高分类的可靠性和鲁棒性，通过将来自每个视图的证据参数化为 Dirichlet 分布并与 Dempster-Shafer 理论相结合，构建统一框架来感知和评估样本的分类不确定性。

Feb, 2021

本文介绍了多视图表示学习中的两个类别：多视图表示对齐和多视图表示融合，并从多个角度回顾了代表性的方法和理论，进而调查了多视图表示学习的发展。最终，探讨了多视图表示学习的几个重要应用，并旨在为研究人员提供深入的理论基础和最新的发展。

Oct, 2016

多视角对比聚类中的双重对比校准网络 (DealMVC) 的提出，通过融合机制获取全局交叉视图特征，借助全局和局部对比校准损失实现多视图信息的多样性利用，并通过准确的类别信息规范化特征结构，以获得不同视图中相似样本的类似特征，最终实验证明了算法的有效性和优越性。

Aug, 2023

本文提出了一种跨视角对比学习（CVCL）方法，该方法利用深度自编码器将视角相关特征提取出来，通过对多个视角下的聚类结果对比来学习视角不变性表示，并利用聚类级别的 CVCL 策略在微调阶段来探索多个视图之间的一致语义标签信息，从而能够产生更有区分度的聚类结果。实验结果表明该方法优于现有的更先进的方法。

Apr, 2023

本文介绍了一种基于条件熵准则的多视图学习方法，可以检测视图不一致并过滤影响性能的样本，大大提高了传统多视图学习的性能。

Jun, 2012

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

提出了一种基于熵约束的多视图低秩证据 c 均值（MvLRECM）方法，用于多视图数据聚类中不确定性和不精确性的表征，并通过熵加权和低秩约束来提高准确性。模型应用于多个数据集，展示了其在实验中的有效性。

Apr, 2024

本文研究了一种新的范例，称为多视类增量学习（MVCIL），旨在将单个模型应用于连续的视图流中，以增量分类新类，而无需访问早期的数据视图，其中引入了一种随机化表示学习技术进行特征提取，集成后引入选择性权重巩固，实验证明了本方法的有效性。

Jun, 2023

本文提出了一种深度嵌入式多视图聚类方法，其中包括对多视图的共识和互补性的考虑以及一种新的协作训练方案，并针对多视图聚类性能进行了实验性结果分析。

Jul, 2020