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。

该文综述多视角子空间聚类研究，涵盖核化、深度框架、锚点及大规模高效方法，旨在解决非线性、两阶段框架和高计算复杂度问题，并提升聚类性能。

本文提出了一种新的深度框架SSDG，使用半监督域泛化技术解决领域差异问题，生成高质量的伪标签，并使用域混合操作增加新域，提高模型泛化能力。在公开的DG基准数据集上展示了SSDG方法的有效性。