该研究提出了一种自适应权重深度矩阵分解方法，解决了多视图聚类中的特征选择和超参数选择问题，提升了聚类结果的稳定性和适应性，并加快了收敛速度。实验结果表明，该方法在聚类性能上优于现有技术。

本文提出了一种新的快速解耦精简张量学习（DSTL）方法，旨在解决现有张量基础多视图聚类在处理大规模数据时的局限性。该方法通过探索多视图潜在语义表示之间的高阶相关性，减少特征冗余，显著提升聚类效果和计算效率。

本研究提出了一种高效的多视图聚类方法，结合锚点子空间学习和二分图融合，优化了聚类质量并降低了计算复杂度。实验结果表明，该方法在真实数据集上表现优越，具有良好的实际应用潜力。

本文提出了一种多视图属性图数据聚类的通用框架，采用多视图对比图聚类方法，探索特征与结构的相互作用，表现优异。研究引入高阶多视角聚类和基于同质性增强的结构学习方法，优化图结构，提升聚类质量。实验结果表明，这些方法在多个基准数据集上表现出色，展示了图聚类的应用前景。

该文汇总了多篇机器学习研究，涵盖多视图聚类、多模态Transformer融合、模型合并与任务子空间匹配、决策Transformer合并、闭环迭代一致优化、多数据集预训练、低秩MERA多视图聚类、自适应模型融合AdaMerging及CONcrete子空间学习等，旨在提升多任务与多模态模型性能。

该文综述多视图聚类研究，涵盖自学习对称概率聚类、张量投影标签学习、不完整锚图学习、生成式缺失视图补全、在线与深度矩阵分解、后融合框架及多聚类等新方法，并梳理常见策略、分类、相关领域与开放问题。

本文综述多视角视频自监督学习进展，涵盖交叉视角重构、掩码自编码器、动态加权损失，以及视频哈希、3D人体姿态估计、多目标跟踪、多视图深度估计、驾驶员监控、多视图聚类等方法，并在多个数据集上验证了优越性与鲁棒性。

该文综述图对比学习进展：CGIPool通过互信息保持图级依赖；GraphCL用图增强实现无监督表示；MCGC做多视图聚类；GraphSC以自对比加速收敛；adversarial-GCL用对抗增强减少冗余；HCL分层多尺度对比，在十二个数据集表现优异；GACN用GAN生成增强视图。

本文综述多模态知识蒸馏研究，涵盖多个应用方向：提出蒸馏多选学习框架以应对测试时缺失模态；利用深度数据训练、仅用RGB测试进行动作识别；构建互模态与内模态蒸馏实现自监督学习；采用图蒸馏处理数据有限的动作检测；MA-CLIP利用轻量适配器进行少样本动作识别；多模型蒸馏在减少输入视角下保持性能；多模态少样本目标检测结合元学习与提示学习；CMD框架学习自监督三维动作表示；DistilMVC用于多视图聚类；多视图增强蒸馏用于实体链接。

提出了一种名为OS-LFMVC-CS的多视图聚类框架，通过子空间对齐和分区融合实现离散标签学习，采用六步迭代优化方法，验证了其有效性和高效性。

该文介绍了一种新的多视图聚类框架，通过优化特征子空间、重建学习和一致性学习等方法，避免了维度崩溃和私有信息的影响。实验结果表明，该方法在5个公共数据集上实现了最先进的聚类结果。

该文介绍了一种名为SUMVC的新方法，从信息理论的角度解决了多视图聚类中的冗余信息和一致信息问题，为多视图数据分析提供了新的角度和有前景的解决方案。