本研究提出了一种新颖的多视角聚类框架，解决了现有方法忽视互补性的问题。通过解缠变分自编码器分离共享信息与私人信息，并利用双重一致约束提高表示质量。实验结果表明，该方法性能优于基线，具有广泛应用潜力。

本文提出了一种新理论框架，解决晚融合多视角聚类中的噪声和冗余问题。通过分析多核$k$-均值的泛化误差边界，提升了收敛速率，并且低通图滤波策略显著提高了聚类的准确性和鲁棒性。

本研究提出了一种新颖的多视角聚类框架CE-MVC，旨在解决现有方法在视角一致性和互补性量化方面的不足。该框架通过自适应加权和参数解耦深度模型，利用条件熵和归一化互信息，显著提升了聚类性能，尤其在噪声影响下表现出更好的鲁棒性和准确性。

本文提出了一种高效的多视角子空间聚类深度框架E$^2$LMVSC，通过提取统一表示来提升聚类性能。该方法结合马尔科夫链谱聚类和本质张量学习，探索多视角数据的高阶相关性，降低计算复杂性。实验结果表明，该方法在多个真实数据集上优于现有技术，展现出显著的聚类性能和可解释性。

该文综述多视角聚类研究，涵盖缺失与不对齐视角处理、自监督学习、跨视角对比学习、深度矩阵分解、生成缺失视图及信息论方法。各方法通过互信息最大化、伪标签蒸馏、一致表示学习提升聚类性能，在多个基准数据集上优于现有方法，并指出开放性问题。

该文综述多视角聚类与张量学习方法，提出基于马尔科夫链的谱聚类，利用本质张量学习与张量核范数保持低秩并降低计算量，通过张量旋转研究视图关系，经ADMM优化，在六个数据集上优于现有方法；同时涉及不完整多视图聚类、二分图学习、自适应拓扑张量网络及t-SVD子空间聚类，均取得更优性能。

综述低秩张量与矩阵分解研究进展，涵盖多视角聚类、鲁棒张量分解、随机化逼近、异常值检测、张量恢复与补全等方向，提出多种算法并验证其在效率、精度和稳定性上的优势。