该研究探讨了非配对多视图聚类问题，提出了UPMGC-SM框架和MVMC算法，以解决数据未配对和缺失值问题。实验结果表明，这些方法在聚类效果上优于现有技术，显著提升了多视图数据的聚类性能。

该文提出了一种基于可解释的Takagi-Sugeno-Kang模糊系统的多视图模糊表示学习方法，能够将多视图数据转化为高维模糊特征空间，并同时探索视图之间的共同信息和每个视图的特定信息。该方法还提出了一种新的基于L_(2,1)-norm回归的正则化方法，以挖掘视图之间的一致性信息，并通过拉普拉斯图保持数据的几何结构。实验结果表明，该方法在多个基准多视图数据集上具有优越性。

本文介绍了一种基于U-Net的tU-Net网络，利用未经注释的多视图数据改善前列腺分割。该方法提高了分割准确度，同时在缺少视图时具有灵活性。