机器学习中，学习多个视图的复杂对象的有意义表示是核心任务。本文提出了多边匹配间隙（M3G），利用多边最优传输（MM-OT）理论工具同时结合所有视图的损失。实验结果显示，M3G 在自监督和多模态任务中比成对损失的多视图扩展具有更好的性能。