CDIMC-net：认知深度不完整多视角聚类网络

提出了深度不完全多视图多聚类 (DiMVMC) 框架，优化多组解码器深度网络，生成高质量、多样性的多个聚类。

ICMVC 方法解决不完整多视图数据聚类中的缺失值问题，通过多视图一致性关系转移和对比学习实现联合优化。

DICNet 能够应对多视图多标签数据缺失，通过深度神经网络提取高级语义表征，提升特征分辨率。

RecFormer 使用自注意力结构和两阶段自编码器提取高级语义表示并恢复丢失数据，在不完整多视角聚类领域表现优越。

新的不完整多视图对比聚类框架优化潜在特征子空间，避免维度崩溃，通过交叉视图预测机制恢复不完整数据。

提出的在线多视角聚类方法 OPIMC 解决缺失问题，使用正则化矩阵分解提取聚类结果，具有高效性和有效性。

LSIMVC 方法通过稀疏规则和图嵌入多视角矩阵分解模型，从不完整数据中学习稀疏的结构化共识潜在表征。

CodingNet 网络在无监督场景下探索深度和浅层特征的一致性，验证了其在多个基准数据集上的有效性。

OMVC 算法基于非负矩阵分解，处理大规模和不完整的视图数据，提高聚类效果。