基于共识正则化的多视图图形学习方法，通过学习共识图表征视图的共同结构，优于现有方法，并应用于推断多个受试者的功能性脑连接网络。

Jan, 2024

本文提出了一种基于马尔科夫链的谱聚类方法，并利用一种新颖的本质张量学习方法探索了多视角表示的高阶相关性，通过 Tensor Singular Value Decomposition 基于张量核范数以保持本质张量的低秩性，同时减少了计算复杂性，我们还使用张量旋转运算符进一步研究不同视图之间的关系，该方法可以通过交替方向乘子法（ADMM）高效优化，实验结果表明在六个具有不同应用的真实世界数据集上，我们的方法优于其他最先进的方法。

Jul, 2018

本文提出了一种名为 Tensorized Consensus Graph Framework（TCGF）的通用多视图表示学习框架，旨在克服多视图学习领域中现有模型的局限性，融合多个视图的关键信息，提高泛化性能。实验证明，TCGF 在多个不同尺度的数据集上相比其他最先进的多视图学习方法具有更好的性能。

Sep, 2023

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

通过引入一种新颖的名为 “Consensus Graph-Based Multi-View Clustering Method Using Low-Rank Non-Convex Norm”（CGMVC-NC）的多视图聚类技术，该研究提出了一种用于多视图聚类的新技术。该方法利用多视图数据张量的结构特征，引入非凸张量范数来确定这些视图之间的相关性，相对于传统方法，这种方法在多个基准数据集上展现出卓越的聚类准确性。尽管所使用的张量范数具有非凸性，但所提出的方法仍然可以通过现有算法进行高效优化。该方法为多视图数据分析提供了有价值的工具，并有潜力提高我们对各个领域中复杂系统的理解。进一步的研究可以探索该方法在其他类型的数据上的应用，并将其扩展到其他机器学习任务。

Dec, 2023

本文提出 t-SVD 基于多视角数据的子空间聚类方法，通过引入张量代数、低秩张量约束和增广 Lagrange 方法来探索多视角数据中的高阶相关性和互补信息。经过广泛实验证明，该方法在多个挑战性图像数据集上表现卓越。

Oct, 2016

本研究提出了一种多视图属性图数据聚类的通用框架，采用多视图对比图聚类 (MCGC) 方法来学习一致性图，相比现有的方法，该方法表现更优异，尤其是在深度学习方法上。

Oct, 2021

提出了一种基于学习的多视点立体感知方法，可以在宽基线 MVS 环境下学习深度预测并通过稳健的损失函数处理遮挡和光照等问题。该方法不需要使用三维监督数据进行训练，并且可以通过无监督的微调实现对新数据集的适应。

May, 2019

本文提出了一种新的多视图谱聚类模型，该模型可以同时进行图融合和谱聚类，以挖掘多视图数据中的异质信息和显式聚类结构，进而打破现有算法在多视图数据中的局限性。

Sep, 2019

本研究提出了一种通过统一和离散的二分图学习的高效多视图聚类方法，该方法采用基于锚点的子空间学习来学习多视图的特定于视图的二分图，并利用二分图融合来学习具有自适应权重学习的视图一致性二分图；同时，还加入拉普拉斯等级约束以确保离散的簇结构，通过将视图特定的二分图学习，视图一致性二分图学习，和离散集群结构学习同时纳入一个统一的目标函数中，设计了一个高效的最小化算法来解决这个优化问题，并且直接实现了离散聚类解决方案。

Sep, 2022