多视图学习尝试通过利用多视图数据之间的共识和/或互补性来生成具有更好性能的模型。然而，就互补性而言，大多数现有方法只能找到单一互补性而不是多样性的互补信息。在本文中，为了同时利用互补性和一致性，对多视图代表学习的互相促进互补性的深度学习的潜力，提出了一种新的监督多视图表示学习算法，称为自我关注具有多样性促进互补性的多视图网络（SAMVDPC）通过一组编码器利用一致性，使用自我关注查找需要多样性的互补信息。在八个现实世界数据集上进行的广泛实验已经证明了我们所提出的方法的有效性，并在几种基线方法上显示出优于的优势，只考虑单个互补信息。

在本文中，我们提出了一种新颖的细节多视图深度子空间网（AMVDSN），其深入探讨了多个视图中的一致性和特定信息，并通过考虑每个视图通过注意机制获得的动态贡献来熔化它们。与大多数多视图子空间学习方法不同，它们直接重建原始数据的数据点，或者在深层或浅层空间中学习表示时仅考虑一致性或互补性，我们提出的方法旨在查找明确认为共识和观点的联合潜在表示 - 多个视图之间的特定信息，然后对学习的联合潜在表示执行子空间群集。基础，不同的视图与表示学习有不同的贡献，我们引入了关注机制来导出每个视图的动态权重，这比以前的融合方法更好多视图子空间群集的领域。所提出的算法是直观的，并且由于神经网络框架，通过使用随机梯度下降（SGD）可以容易地优化，其与传统的子空间聚类方法相比，这也提供了强大的非线性表征能力。七个现实世界数据集的实验结果表明了我们提出的算法对某些最先进的子空间学习方法的有效性。

多视图学习通过LEVERAG-ING-ING-ING相同对象之间的关系来完成分类的任务目标。大多数现有方法通常关注多个视图之间的一致性和互补性。但并非所有这些信息都非常有用于分类任务。相反，它是扮演重要作用的具体辨别信息。钟张等。通过联合非负矩阵分组探讨不同视图中的共同视图中存在的判别和非歧视信息。在本文中，我们通过使用跨熵损耗函数来改善该算法来改善目标函数更好。最后，我们在相同数据集上的原始实施更好的分类效果，并在许多最先进的算法上显示其优越性。

多视图学习可以更全面地涵盖数据样本的所有功能，因此多视图学习引起了广泛的关注。传统的子空间聚类方法，如稀疏子空间群集（SSC）和低排名子空间群集（LRSC），为单个视图簇聚集亲和矩阵，从而忽略视图之间的融合问题。在我们的文章中，我们提出了一种基于注意力和AutoEncoder（MSALAA）的新的多视图子空间自适应学习。该方法组合了深度自动统计器和用于对齐各种视图的自我表示的方法，以在多视图低级稀疏子空间聚类（MLRSSC）中，这不仅可以将能力提高到非线性拟合，而且也可以满足多视图学习的一致性与互补原则。我们经验遵守六个现实生活数据集的现有基线方法的重大改进。

多视图学习是一个学习问题，它利用对象的各种表示来挖掘宝贵的知识并提高学习算法的性能，并且多视图学习的重要方向之一是子空间学习。正如我们所知，自动编码器是深度学习的方法，它可以通过重建输入来学习原始数据的潜在特征，并基于这一点，我们提出了一种名为基于自动编码器的共训练多视图学习的新算法（ACMVL）利用互补性和一致性，并找到多个视图的联合潜在特征表示。该算法有两个阶段，首先是培训每个视图的自动编码器，第二阶段是训练监督网络。有趣的是，两个阶段部分地分享权重，并通过共同培训过程互相帮助。根据实验结果，我们可以学习良好的潜在特征表示，并且每个视图的自动编码器具有比传统的自动编码器更强大的重建能力。

不完整的多视图聚类旨在通过使用来自多种模式的数据来增强聚类性能。尽管已经提出了几种研究此问题的方法，但以下缺点仍然存在：1）很难学习潜在的互补性但不使用标签信息而保持一致性的潜在表示； 2）因此，当完整的数据稀缺时，在不完整的数据中未能充分利用不完整数据中的隐藏信息会导致次优群集性能。在本文中，我们提出了与生成对抗网络（CIMIC-GAN）的对比度不完整的多视图图像聚类，该网络使用GAN填充不完整的数据并使用双对比度学习来学习完整和不完整的数据的一致性。更具体地说，考虑到多种方式之间的多样性和互补信息，我们将完整和不完整数据的自动编码表示为双对比度学习，以实现学习一致性。将gan集成到自动编码过程中不仅可以充分利用不完整数据的新功能，而且可以在存在高数据缺失率的情况下更好地概括该模型。在\ textColor {black} {四}广泛使用的数据集上进行的实验表明，cimic-gan优于最先进的不完整的多视图聚类方法。

近年来，在线增量学习中兴趣增长。然而，这方面存在三个主要挑战。第一个主要困难是概念漂移，即流数据中的概率分布会随着数据到达而改变。第二个重大困难是灾难性的遗忘，即忘记在学习新知识之前学到的东西。我们经常忽略的最后一个是学习潜在的代表。只有良好的潜在表示可以提高模型的预测准确性。我们的研究在此观察中建立并试图克服这些困难。为此，我们提出了一种适应性在线增量学习，用于不断发展数据流（AOL）。我们使用带内存模块的自动编码器，一方面，我们获得了输入的潜在功能，另一方面，根据自动编码器的重建丢失与内存模块，我们可以成功检测存在的存在概念漂移并触发更新机制，调整模型参数及时。此外，我们划分从隐藏层的激活导出的特征，分为两个部分，用于分别提取公共和私有特征。通过这种方法，该模型可以了解新的即将到来的实例的私有功能，但不要忘记我们在过去（共享功能）中学到的内容，这减少了灾难性遗忘的发生。同时，要获取融合特征向量，我们使用自我关注机制来有效地融合提取的特征，这进一步改善了潜在的代表学习。

近年来，多视图学习迅速发展。尽管许多先前的研究都认为每个实例都出现在所有视图中，但在现实世界应用程序中很常见，从某些视图中丢失实例，从而导致多视图数据不完整。为了解决这个问题，我们提出了一个新型潜在的异质图网络（LHGN），以实现不完整的多视图学习，该学习旨在以灵活的方式尽可能充分地使用多个不完整的视图。通过学习统一的潜在代表，隐含地实现了不同观点之间一致性和互补性之间的权衡。为了探索样本与潜在表示之间的复杂关系，首次提出了邻域约束和视图约束，以构建异质图。最后，为了避免训练和测试阶段之间的任何不一致之处，基于图形学习的分类任务应用了转导学习技术。对现实世界数据集的广泛实验结果证明了我们模型对现有最新方法的有效性。

多视图表示学习对于许多多视图任务（例如聚类和分类）至关重要。但是，困扰社区的两个具有挑战性的问题：i）如何从群众未标记的数据中学习强大的多视图表示，ii）如何平衡视图一致性和视图特异性。为此，在本文中，我们提出了一种混合对比融合算法，以从未标记的数据中提取强大的视图符号表示。具体而言，我们发现在此空间中引入附加表示空间并对齐表示形式使模型能够学习强大的视图符号表示形式。同时，我们设计了一种不对称的对比策略，以确保模型无法获得微不足道的解决方案。实验结果表明，在聚类和分类方面，该方法在四个现实世界数据集上优于12种竞争性多视图方法。我们的源代码很快将在\ url {https://github.com/guanzhou-ke/mori-ran}上找到。

深度多视图聚类方法取得了显着的性能。然而，所有这些都未能考虑在多视图样本上的难度标签（训练样本的地面真理的不确定性），这可能导致非群体聚类网络在训练过程中陷入糟糕的本地Optima;更糟糕的是，多视图样本的难度标签始终不一致，但事实使其更具挑战性。在本文中，我们提出了一种新的深对抗性不一致的认知采样（DACE）方法，用于多视图逐行子空间聚类。提出了多视图二进制分类（简单或困难）丢失和特征相似性损失，共同学习二进制分类器和深度一致的特征嵌入网络，在多维型一致样本的难度标签上过度的对手Minimax游戏。我们开发了一种多视图认知采样策略，可从易于困难的多视图聚类网络训练中选择输入样本。然而，容易和难以样品的分布混合在一起，因此实现目标并不差。要解决它，我们可以定义具有理论保证的采样概率。基于此，一种金段机制进一步设计用于生成样本集边界，以通过栅极单元逐渐选择具有变化难度标签的样本，该门单元用于共同学习多视图常见渐进子空间和聚类网络以进行更高效聚类。四个现实世界数据集的实验结果证明了守护处的优越性。

一致性和互补性是增强多视图聚类（MVC）的两种关键要素。最近，随着流行的对比学习的引入，MVC的观点一致性学习得到了进一步的增强，从而导致了有希望的表现。但是，相比之下，互补性尚未得到足够的关注，除了在功能方面，希尔伯特·施密特独立标准（HSIC）术语（HSIC）术语或通常采用独立的编码器网络以捕获特定视图信息。这促使我们从包括功能，视图标签和对比方面在内的多个方面全面地重新考虑对观点的互补学习，同时保持视图一致性。我们从经验上发现，所有方面都有助于互补学习，尤其是视图标签的方面，通常被现有方法忽略了。基于此，我们开发了一个小说\下划线{m} ultifacet \ usewissline {c} omplementarity学习框架\下划线{m} uldi- \ usepline {v} iew \ usew \ usew suespline {c} lustering（mcmvc），其中融合了多层配置配置。信息，尤其是明确嵌入视图标签信息的信息。据我们所知，这是第一次明确使用视图标签来指导视图的互补学习。与SOTA基线相比，MCMVC在$ 5.00 \％$ $ $ 5.00 \％$和$ 7.00 \％$中的平均利润率分别在CALTECH101-20上分别在CalTech101-20上分别取得了显着的进步，分别是三个评估指标。

The past two decades have seen increasingly rapid advances in the field of multi-view representation learning due to it extracting useful information from diverse domains to facilitate the development of multi-view applications. However, the community faces two challenges: i) how to learn robust representations from a large amount of unlabeled data to against noise or incomplete views setting, and ii) how to balance view consistency and complementary for various downstream tasks. To this end, we utilize a deep fusion network to fuse view-specific representations into the view-common representation, extracting high-level semantics for obtaining robust representation. In addition, we employ a clustering task to guide the fusion network to prevent it from leading to trivial solutions. For balancing consistency and complementary, then, we design an asymmetrical contrastive strategy that aligns the view-common representation and each view-specific representation. These modules are incorporated into a unified method known as CLustering-guided cOntrastiVE fusioN (CLOVEN). We quantitatively and qualitatively evaluate the proposed method on five datasets, demonstrating that CLOVEN outperforms 11 competitive multi-view learning methods in clustering and classification. In the incomplete view scenario, our proposed method resists noise interference better than those of our competitors. Furthermore, the visualization analysis shows that CLOVEN can preserve the intrinsic structure of view-specific representation while also improving the compactness of view-commom representation. Our source code will be available soon at https://github.com/guanzhou-ke/cloven.

Multi-view attributed graph clustering is an important approach to partition multi-view data based on the attribute feature and adjacent matrices from different views. Some attempts have been made in utilizing Graph Neural Network (GNN), which have achieved promising clustering performance. Despite this, few of them pay attention to the inherent specific information embedded in multiple views. Meanwhile, they are incapable of recovering the latent high-level representation from the low-level ones, greatly limiting the downstream clustering performance. To fill these gaps, a novel Dual Information enhanced multi-view Attributed Graph Clustering (DIAGC) method is proposed in this paper. Specifically, the proposed method introduces the Specific Information Reconstruction (SIR) module to disentangle the explorations of the consensus and specific information from multiple views, which enables GCN to capture the more essential low-level representations. Besides, the Mutual Information Maximization (MIM) module maximizes the agreement between the latent high-level representation and low-level ones, and enables the high-level representation to satisfy the desired clustering structure with the help of the Self-supervised Clustering (SC) module. Extensive experiments on several real-world benchmarks demonstrate the effectiveness of the proposed DIAGC method compared with the state-of-the-art baselines.

多视图数据通常在数据挖掘应用程序中遇到。从多视图数据中有效提取信息需要特定的聚类方法设计，以适应具有多种视图的数据，这是非平凡且具有挑战性的。在本文中，我们通过利用不同观点的常见和特定信息的双重表示，提出了一种新颖的一步多视图聚类方法。动机源于以下理由：多视图数据不仅包含视图之间的一致知识，还包含每个视图的独特知识。同时，为了使表示学习更具体地针对聚类任务，提出了一个单步学习框架，以整体整合表示表示和聚类分区。在此框架中，表示形式学习和聚类分区相互受益，从而有效地改善了聚类性能。在基准多视图数据集上进行的广泛实验的结果清楚地证明了该方法的优越性。

我们提出了基于零件的复发多视距聚集网络（PREMA），以消除实际视图缺陷的不利影响，例如观点，闭塞或背景腔，以及增强形状表示的辨别能力。灵感来自人类主要通过其判别部分识别对象的事实，我们定义了多视图相干部分（MCP），判别部分在不同视图中再次进行。我们的Prema可以可靠地定位并有效地利用MCP来构建强大的形状表示。全面地，我们在Prema中设计一个新的区域关注单元（RAU），以计算每个视图的置信度图，并通过应用这些映射来查看特征来提取MCP。Prema通过关联不同视图的功能来突出MCP，并汇总为形状表示的零件感知功能。

预测用户肯定响应（例如，购买和点击）概率是Web应用程序中的关键任务。为了识别原始数据的预测特征，最先进的极端深层分解机模型（XDEEPFM）引入了新的交互网络，以明确地利用矢量方面的特征交互。然而，由于交互网络中的每个隐藏层是特征映射的集合，因此它可以基本上作为不同特征映射的集合来观看。在这种情况下，仅使用单个目标来最小化预测损失可能导致过度拟合并产生相关的错误。在本文中，提出了一种集合分集增强的极端深度分解机模型（DEXDEEPFM），其设计了每个隐藏层中的集合多样性度量，并在客观函数中考虑集合多样性和预测精度。此外，还引入了注意机制，以区分集合多样性措施与不同的特征互动令的重要性。对三次公共实时数据集进行了广泛的实验，以展示所提出的模型的有效性。

图像文本聚类（ITC）的目标是通过整合这些异质样品的多模式的互补和一致信息来找到正确的簇。但是，目前的大多数研究都根据理想的前提分析了ITC，即每种模式中的样本都是完整的。但是，在现实情况下，这种推定并不总是有效的。缺少的数据问题使图像文本特征学习性能退化，并最终会影响ITC任务中的概括能力。尽管已经提出了一系列方法来解决此不完整的图像文本群集问题（IITC），但仍然存在以下问题：1）大多数现有方法几乎不考虑异质特征域之间的明显差距。 2）对于缺少数据，很少保证由现有方法生成的表示形式适合聚类任务。 3）现有方法不利用内部和内部模式的潜在连接。在本文中，我们提出了一个聚类引起的生成不完整的图像文本聚类（CIGIT-C）网络，以应对上述挑战。更具体地说，我们首先使用特定于模态的编码器将原始功能映射到更独特的子空间。通过使用对抗生成网络在另一种模态上产生一种方式，可以彻底探索内部内部和模式之间的潜在连接。最后，我们使用两个KL DiverGence损失更新相应的模态特异性编码器。公共图像文本数据集的实验结果表明，建议的方法优于IITC作业更有效。

由于多源信息集成的能力，多视图聚类吸引了很多关注。尽管在过去几十年中已经提出了许多高级方法，但其中大多数通常忽略了弱监督信息的重要性，并且无法保留多种视图的特征属性，从而导致聚类性能不令人满意。为了解决这些问题，在本文中，我们提出了一种新颖的深度观看半监督聚类（DMSC）方法，该方法在网络填充过程中共同优化了三种损失，包括多视图集群损失，半监督的成对约束损失损失和多个自动编码器重建损失。具体而言，基于KL差异的多视图聚类损失被施加在多视图数据的共同表示上，以同时执行异质特征优化，多视图加权和聚类预测。然后，我们通过创新建议将成对约束集成到多视图聚类的过程中，通过执行所学到的必须链接样本的多视图表示（不能链接样本）是相似的（不同的），以便形成的聚类结构可以可以更可信。此外，与现有的竞争对手不同，该竞争对手仅保留网络填充期间每个异质分支的编码器，我们进一步建议调整完整的自动编码器框架，其中包含编码器和解码器。通过这种方式，可以缓解特定视图和视图共享特征空间的严重腐败问题，从而使整个培训程序更加稳定。通过在八个流行图像数据集上进行的全面实验，我们证明了我们提出的方法的性能要比最先进的多视图和单视竞争对手更好。

用于异质图嵌入的图形神经网络是通过探索异质图的异质性和语义来将节点投射到低维空间中。但是，一方面，大多数现有的异质图嵌入方法要么不足以对特定语义下的局部结构进行建模，要么在汇总信息时忽略异质性。另一方面，来自多种语义的表示形式未全面整合以获得多功能节点嵌入。为了解决该问题，我们通过引入多视图表示学习的概念，提出了一个具有多视图表示学习（名为MV-HETGNN）的异质图神经网络（称为MV-HETGNN）。所提出的模型由节点特征转换，特定于视图的自我图编码和自动多视图融合，以彻底学习复杂的结构和语义信息，以生成全面的节点表示。在三个现实世界的异质图数据集上进行的广泛实验表明，所提出的MV-HETGNN模型始终优于各种下游任务中所有最新的GNN基准，例如节点分类，节点群集和链接预测。

旨在解决不完整的多视图数据中缺少部分视图的聚类问题的不完整的多视图聚类，近年来受到了越来越多的关注。尽管已经开发了许多方法，但大多数方法要么无法灵活地处理不完整的多视图数据，因此使用任意丢失的视图，或者不考虑视图之间信息失衡的负面因素。此外，某些方法并未完全探索所有不完整视图的局部结构。为了解决这些问题，本文提出了一种简单但有效的方法，称为局部稀疏不完整的多视图聚类（LSIMVC）。与现有方法不同，LSIMVC打算通过优化一个稀疏的正则化和新颖的图形嵌入式多视图矩阵分数模型来从不完整的多视图数据中学习稀疏和结构化的潜在表示。具体而言，在基于矩阵分解的这种新型模型中，引入了基于L1规范的稀疏约束，以获得稀疏的低维单个表示和稀疏共识表示。此外，引入了新的本地图嵌入项以学习结构化共识表示。与现有作品不同，我们的本地图嵌入术语汇总了图形嵌入任务和共识表示任务中的简洁术语。此外，为了减少多视图学习的不平衡因素，将自适应加权学习方案引入LSIMVC。最后，给出了有效的优化策略来解决我们提出的模型的优化问题。在六个不完整的多视图数据库上执行的全面实验结果证明，我们的LSIMVC的性能优于最新的IMC方法。该代码可在https://github.com/justsmart/lsimvc中找到。