본 연구는 다중 뷰 클러스터링의 효율성과 성능을 향상시키기 위해 압축 부공간을 활용한 통합 프레임워크를 제안한다. 이 방법은 클러스터 구조 최적화와 레이블 학습을 단일 프레임워크에 통합하여 효율적으로 클러스터 레이블을 직접 얻을 수 있다.
다중 뷰 데이터에서 불확실성과 부정확성을 특성화할 수 있는 다중 뷰 증거 c-평균 클러스터링 방법을 제안한다.
다중 뷰 데이터의 앵커 그래프 텐서 분해를 통해 클러스터링 결과의 해석 가능성을 높이고, 뷰 간 보완적 정보를 효과적으로 활용하여 클러스터링 성능을 향상시킨다.
다양한 관점에서의 일관성과 특수성을 동시에 고려하여 텐서 기반 그래프 학습 모델을 제안하고, 이를 통해 다중 뷰 클러스터링 성능을 향상시킨다.
다중 뷰 데이터에서 노이즈 뷰의 부작용을 완화하기 위해 파라미터가 분리된 딥 다중 뷰 클러스터링 모델을 제안하고, 두 단계의 다중 뷰 반복 최적화 전략을 설계하여 정보가 풍부한 뷰의 유용한 정보를 탐색하고 노이즈 뷰의 영향을 완화한다.