本文提出了一种名为 SLS-MPC 的自学习对称多视图概率聚类方法，它使用了对称多视图概率估计和自学习概率函数来实现任意视图数的数据缺失容忍，同时使用了图上下文感知的细化来消除噪声和离群值的影响，并提出了一种概率聚类算法来进行聚类分配调整，无需类别信息，在多个基准测试中明显优于现有的方法。

May, 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

提出了一种简单而高效的可扩展多视图张量聚类方法（S^2MVTC），专注于学习嵌入特征在视图内部和视图之间的相关性，利用嵌入特征的张量低频近似操作实现嵌入特征的平滑表示，采用共识约束确保视图间的语义一致性，实验证明该方法在聚类性能和 CPU 执行时间方面显著优于当前最先进的算法。

Mar, 2024

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

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

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。

Jan, 2024

本研究介绍了一种名为 MVMC 的多视图多聚类算法，将自表示学习应用于多视图数据中，使用 Hilbert-Schmidt 独立性标准降低矩阵之间的冗余并收集共享信息，再采用矩阵分解生成多个高质量多样性聚类，并进一步扩展到多视图多共聚类（MVMCC）。实验结果表明，本方法在多视图数据中生成的多样性聚类（共聚类）优于当前现有的算法。

May, 2019

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