该研究专注于非配对多视图聚类问题，提出了一种可靠视图引导的方法来解决跨视图聚类中的不确定聚类结构和样本配对关系不确定的问题，并通过对齐模块和紧凑性模块进一步优化聚类效果，实验证明该方法的优越性。

Apr, 2024

提出了一种新的无参数图聚类框架，名为 Unpaired Multi-view Graph Clustering framework with Cross-View Structure Matching (UPMGC-SM)，可以有效地处理多视角数据中的数据未配对问题，并能够增强现有的图聚类方法在未配对情景下的能力。

Jul, 2023

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

提出了一种名为 ICMVC 的新型不完整对比多视图聚类方法，主要解决不完整多视图数据聚类中的缺失值问题，并通过多视图一致性关系转移、图卷积网络、实例级注意力融合、高置信度引导和对比学习实现了完整多视图表示和聚类分配的联合优化。实验证明了该方法的有效性和优越性。

Dec, 2023

该论文介绍了一种新颖的无监督多模态聚类方法（UMC），它在无监督情景下利用非语言信息来辨识复杂语义，并通过动态选择高质量样本来学习表示，从而在聚类度量方面取得了 2-6％得分的显著提高。

May, 2024

提出了一个基于不确定性的不完整多视图数据分类模型，通过构建分布来捕捉丢失视图的不确定性，并根据采样质量自适应利用它们来实现更明显的数据填充和可控融合，使用证据融合策略来保证集成填充视图的可靠性和性能，多个基准数据集的实验证明了该方法的优越性。

Apr, 2023

本文提出一种深度多视角聚类 (Multi-view Clustering) 框架，将数据恢复和对齐融合在一个层次一致的方式中，通过最大化不同视角之间的互信息，并确保它们的潜在空间的一致性来解决多视角数据在现实世界应用中的视角缺失和不对齐问题。实验结果表明，我们的方法在多视角聚类中显著优于现有方法，即使在视角缺失和不对齐的情况下也是如此。

Oct, 2023

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

本文提出了一个深度不完全多视图多聚类 (DiMVMC) 框架来处理多视图数据不完整问题，并通过优化多组解码器深度网络来实现数据视图和多个共享表示的同时完成。实验表明，DiMVMC 在生成高质量，多样性的多个聚类方面优于现有的同类竞争对手。

Oct, 2020

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