本研究由Wei Zhang（南通大学人工智能与计算机科学学院）、Zhaohong Deng（江南大学人工智能与计算机科学学院、江苏省媒体设计与软件技术重点实验室）、Kup-Sze Choi（香港理工大学智能健康中心）、Jun Wang（上海大学通信与信息工程学院）及Shitong Wang（江南大学）共同完成，发表于《Artificial Intelligence Review》期刊（2025年58卷，DOI:10.1007/s10462-025-11183-0）。
研究领域：本研究属于多视图学习（Multi-view Learning）中的多视图聚类（Multi-view Clustering）方向，旨在解决多源异构数据的联合分析问题。例如，新闻的多语言版本或疾病的多种医学检测结果均可视为多视图数据。
研究动机：现有方法存在两大挑战：
1. 知识挖掘不充分：传统方法仅关注视图间一致性知识（consistent knowledge），而忽略各视图特有知识（unique knowledge）；
2. 流程割裂：多数方法将表征学习与聚类分步进行，导致学习到的表征与聚类任务脱节。
研究目标：提出一种双表征学习（Dual Representation Learning）框架，同步挖掘一致性与特异性知识，并通过一步式（one-step）流程实现聚类优化。
核心思想：通过改进矩阵分解（Matrix Factorization），将多视图数据分解为：
- 共同表征（Common Representation）：捕获视图间一致性信息；
- 特异性表征（Specific Representation）：保留各视图独有信息。
数学模型：
math \min_{H,W_k,S_k,P_k} \sum_{k=1}^K \|X_k - H^T W_k - S_k^T P_k\|_F^2 + \gamma (\|H^T\|_F^2 + \|S_k^T\|_F^2)
其中，$H$为共同表征，$S_k$为第$k$视图的特异性表征，$W_k$与$P_k$为映射矩阵，$\gamma$为正则化参数。
创新点：将双表征学习与聚类分配统一为单一优化目标：
math \min_Y \sum_{k=1}^K \|X_k - H^T W_k - S_k^T P_k\|_F^2 + \alpha_k \|S_k - V_k U\|_F^2 + \beta \|V_k^T V_k - I\|_F^2 - \delta \sum_{k=1}^{K+1} \alpha_k \ln \alpha_k
关键设计：
- 互自学习机制（Mutual Self-taught Mechanism）：聚类结果反馈优化表征学习，反之亦然；
- 最大熵约束：自适应调整各视图权重$\alpha_k$；
- 正交约束：提升聚类中心矩阵$V_k$的判别性。
采用交替优化（Alternating Optimization）求解，依次更新：
1. 共同表征$H$：通过闭式解（Closed-form Solution）计算；
2. 特异性表征$S_k$：结合视图权重与聚类中心；
3. 聚类分配矩阵$U$：基于最小距离准则直接生成硬聚类标签。
复杂度分析：算法整体复杂度为$O(n^2(1+K)t)$，适用于大规模数据。
实验涵盖9个真实数据集（如Dermatology、MSRCv1、Caltech等），对比10种主流方法，包括：
- 原始视图方法：如MVASM；
- 共同潜在视图方法：如GMULTINMF、NMFCC；
- 一步式方法：如OPMC、PLCMF。
以NMI（Normalized Mutual Information）、ACC（Accuracy）、Purity、ARI（Adjusted Rand Index）为评价标准。
（报告全文约2000字）