- EMNLP开放信息抽取的语法多视角学习
本研究使用多视图学习将从开放域语句中提取的关系元组所需的句法信息从成分结构和依赖关系树映射到词级别的图中并进行拓展，达到更好地融合此类信息的目的。实验证明，这种多视图学习的方法与使用多种信息源构建元组是非常有效的。
- 从恶意软件到对抗变种：多视角表示学习的防御方法
提出了 Adversarially Robust Multiview Malware Defense (ARMD) 方法，它是一种利用多视角学习框架，可以提高深度学习恶意软件检测器对抗性攻击的能力。在六种常见的恶意软件类别上，ARMD 能够 - AAAI不确定性感知的多视角表示学习
本研究提出了一种新的无监督多视图学习方法，DUA-Nets，通过估计数据不确定性并加权不同视图，以便更好地捕捉动态噪声和提高数据质量，实现了对多种噪声数据的鲁棒性性能提升。
- AAAI基于卫星图像的房地产评估的多视角学习策略比较
本文介绍了关于多视图学习方法在房地产评估方面的应用，同时针对多核学习、多视图串联和多视图神经网络三种方法进行实证研究，并得出多视图神经网络预测性能最好，但是也存在不透明的 “黑匣子” 模型的缺点，因此建议使用混合多视图神经网络或 Boost - CVPR基于变分蒸馏的跨模态人员重识别方法：告别互信息
本篇文章提出了一种新策略，基于变分自我蒸馏，为信息瓶颈提供了一种可扩展，灵活和分析的解决方案，以便实现对监督训练中表示与标签之间内在相关性的掌握；并且通过将 VSD 扩展到多视图学习，引入了另外两个策略，即变分交叉蒸馏和变分相互学习，这显著 - AAAICo-mining：稀疏标注目标检测的自监督学习
本文提出了一个名为 Co-mining 的机制，它使用 Siamese 网络进行多视角学习和更好地挖掘未标注实例，从而用于大多数现代物体检测器的一般训练机制，该机制在 MS COCO 数据集上进行了实验，通过在 RetinaNet 上应用 - 深度局部多视角学习
提出跨部分多视角网络（CPM-Nets）框架，通过模拟数据传输实现多视角表征的完整性，并通过对抗策略稳定地翻译丢失视图的代价与补充性进行结构化编码，进一步增强数据的完整性，同时引入非参数分类损失，以防止过度拟合。全面实验证明了该算法在分级识 - COLING层间多视角学习用于神经机器翻译
本文提出了一种基于多视图学习和一致性正则化的方法来解决传统神经机器翻译中编码器只能根据顶层编码器层的上下文表示而不能直接感知较低编码器层的上下文表示的问题，并在五个翻译任务上进行了实验证明其有效性和稳定性，此外，该方法不依赖于网络架构。
- 多方参与多类纵向联邦学习
本文提出了一种名为 MMVFL 的多方参与的多类别垂直联邦学习框架，采用多视角学习的思想，在保护隐私的前提下，将标签信息从其所有者分享到其他联邦学习参与者中。实验结果表明，MMVFL 可以在多个 VFL 参与者之间有效地共享标签信息，并达到 - 基于注意力正则化的半监督粗分辨率数据分类
本文提出了利用多视角框架的分类算法，以帮助训练对于精细分辨率下的数据有效的模型，应用于通过卫星观测进行城市区域绘图和文本数据的情感分类等实际应用中具有很好的效果。
- 具有注意力多视图学习的神经新闻推荐
提出了一种基于神经网络的新闻推荐方法，通过利用新闻的多种信息并采用注意力机制实现对新闻和用户的有效表示学习，成功提高了新闻推荐的准确性。
- ACL情感识别的多模态和多视角模型
采用多种视图学习方法来结合语音和词汇信息，训练出不需要词汇输入的部署式语音模型，该模型采用对比损失函数进行训练，实验结果表明这种方法和传统的基于语音信息的方法相比，有更好的准确性和鲁棒性。
- 多视角矩阵补全多标签图像分类
提出了一种基于多视图矩阵补全的半监督多标签图像分类方法，该方法充分利用不同视图的特征，并通过加权方式融合多视图矩阵补全的输出，同时使用交叉验证策略来学习视图组合权重和深度学习模型，经实验证明该方法相较于其他方法更加鲁棒有效。
- 多视角完整空间学习
本文提出了一种基于多视角信息融合的多视角完整空间学习（MISL）算法，利用编码后的互补信息来发现数据的潜在完整性表示。实验证明，MISL 是一种有效的实用算法，其稳定性和泛化能力都得到了保证。
- 学习双重检索模块用于半监督关系抽取
本文提出 DualRE，使用弱监督技术结合自我训练机制和多视图学习方法，在关系抽取任务中通过检索模块与原始关系预测模型的联合训练来提高模型的性能表现。实验结果表明，该方法有效地提高了模型的性能表现。
- ECCV基于图正则化矩阵分解的不完整多视图聚类
提出了一种使用本地信息和视图之间的互补信息来学习所有样本的通用潜在表示的简单方法，通过对每个视图的基础矩阵施加正交约束，该方法能够处理缺失视图的多视图聚类和分类任务，并证明在多个多视图数据集上能显著提高聚类性能。
- 异步双视角序列学习的双重记忆神经计算机
该论文探讨了一个新的记忆增强神经网络模型，以模拟两个异步序列视图之间的复杂互动，并使用存储器来捕捉视图内关系和长期依赖。结果表明，该模型在多视角问题上的性能优于传统算法和深度学习方法。
- 多视角聚类调查
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 MV - CVPR通过软装饰实现可扩展和有效的深层 CCA
本研究提出了一种新的深度多视角学习模型 Soft CCA，通过一种基于小批量的随机解相关损失（SDL）来实现软解相关，以替代现有深度 CCA 模型中具有计算代价的确切解相关。实验证明，相对于现有的深度 CCA 模型，我们的 SDL 损失对其 - 深度变分正则化典型相关分析
本文介绍了一种名为 “深度变分典型相关分析” 的深度多视图学习模型，它通过深度神经网络对非线性观测模型进行参数化，扩展了线性 CCA 的潜变量模型解释。同时，我们还提出了一种名为 “VCCA-private” 的 VCCA 变体，它可以在提