该文章提出了联合链接分量分析（joint_LCA）方法，用于多视图数据。该方法通过识别视图特定的加载矩阵和公共潜在子空间的秩，来提取共享组件。采用矩阵分解模型，通过联合结构和个体结构表示每个数据视图，得到交叉协方差的干净奇异值分解表示。同时，该方法还提出了带有新型惩罚项的目标函数来实现估计和秩选择，并采用修复程序来减小惩罚造成的收缩偏差。

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。