本文介绍了多种城市区域分析和知识图谱构建的方法，包括Region2Vec框架、UrbanKG数据集、ROMER方法和UrbanKGent模型。这些方法利用图神经网络和多视图学习，提升了城市区域表示的性能，尤其在高方差社会经济属性区域表现优异。实验结果表明，这些模型在多个任务中均优于现有方法，具有广泛的应用潜力。

本文介绍了一种基于条件熵的多视图学习方法，能够检测视图不一致并过滤样本，从而提高性能。提出的可信多视角分类算法通过动态集成不同视图的证据，增强分类的可靠性。此外，研究探讨了多视角模型在准确性和不确定性估计方面的优势，并提出了一种新的无监督多视图学习方法，以提升对噪声数据的鲁棒性。

本文介绍了一种基于条件熵的多视图学习方法，能够检测视图不一致并过滤样本，从而提高性能。研究提出了DUA-Nets等新算法，增强了对噪声数据的鲁棒性，改进了分类可靠性，并在假新闻检测中应用了标签噪声鲁棒的平均教学方法。这些方法提升了深度学习模型在噪声标签下的表现。

本文介绍了一种基于共识正则化的多视图图形学习方法，旨在推断功能性脑连接网络。该方法通过学习共识图表征视图的共同结构，优于现有技术。研究还提出了多种聚类技术，如基于张量的聚类方法和低秩非凸范数的聚类方法，均在多个数据集上表现出色，具有良好的应用潜力。

本文提出了一个统一框架，研究在部分观察设置下从多个视图中学习表征的可识别性。通过对比学习和编码器，证明多个视图共享的信息可以通过平滑双射学习。提供了可识别代数的图形判据，扩展了多视图非线性独立成分分析（ICA）和因果表示学习的理论。实验证明，在部分可观察性下，获取多个视图有助于识别更精细的表征。