本文探讨了多视角学习方法，包括共同训练、多核学习和子空间学习，提出了多视角机器（MVM）和多视角完整空间学习（MISL）等算法，强调了其在处理缺失标签和非对齐视角中的优势。研究还介绍了张量共识图框架（TCGF）和双参数边际支持向量机模型（MvTPMSVM），并通过实验验证了这些模型在多视角学习中的有效性和优越性能。

本文介绍了一种改进的Newton方法，用于优化基于子空间学习的一类分类，适用于Subspace Support Vector Data Description（S-SVDD）。实验证明，该方法优于基于梯度的S-SVDD。