二、多视图聚类和不完全多视图聚类的主要方法

一、多视图聚类

• 基于协同训练（Co-trainning)的多视图聚类算法 ： 各个视图在进行聚类时，通过将自己最有用的信息提供给其它视图，通过这种信息交换，可以逐步修正和改进自己的聚类效果。

（例子：假设我们想对一组动物进行分类，有两个人在看这组动物。一个人通过动物的外形（如体型、毛发颜色等）来分类，而另一个人通过动物的叫声进行分类。起初，他们各自的分类可能不一致，但是他们可以互相交流意见。比如，如果一个人认为某个动物是狗，而另一个人听到它发出的声音也像狗，他们可以互相验证，从而达成一致的分类。这就是协同训练的思想。

• 基于多核学习(Multi-Kernel Learning )的多视图聚类算法： 通过融合多个核函数，将数据的特征从低维转换到高维，然后再进行聚类。（低维到高维）

• 基于子空间学习（Subspace learning）的多视图聚类算法：高维数据往往包含很多冗余信息，而实际有用的信息可能集中在某个“低维空间”（子空间）中。通过找出多视图数据中的共享低维空间，使得算法能更好地聚类和分析数据。 （高维到低维）

• 深度多视图聚类算法

二、不完全多视图聚类

不完全多视图聚类是数据样本缺失的情况下，然后再对数据进行一个聚类。

• 基于数据补全：其核心思想是利用已有的视图信息来推测和填补缺失的视图数据，然后对完整的数据进行聚类分析。

• 基于矩阵分解 ： 常见的做法是借助一个指示矩阵指示当前样本是否具有完整表示，最后学习所有视图的
  低维一致性表示（潜在表示）。
  补充说明：指示矩阵是一个二值矩阵，它记录了每个样本在不同视图中的数据是否完整。比如，如果某个样本在某个视图中有完整数据，指示矩阵的对应位置就标记为1；如果某个视图的数据缺失，就标记为0。)通过矩阵分解，算法会将所有视图的数据投影到一个低维空间中，找到这些视图的一致性表示。

• 基于深度学习（Deep Learning）