核心思想这篇论文的核心思想是解决多视图数据（Multi-view Data）中存在的“多重聚类”（Multiple Clusterings）问题。现有的多视图聚类（MVC）方法通常只输出单一聚类结果，忽略了多视图数据从不同视角可能蕴含的多种合理且有趣的分组方式。作者提出了一种基于深度矩阵分解（Deep Matrix Factorization, DMF）的解决方案，命名为DMClusts。其核心逻辑如下：分层因子分解：将多视图数据矩阵逐层分解为表示子空间（representational subspaces），每一层生成一个聚类结果。多样性控制：为了确保生成的多个聚类结果具有多样性（即低冗余），作者设计了一个新的平衡冗余量化项（balanced redundancy quantification term）。该项不仅考虑了样本在不同子空间中被分入同一簇的情况，还考虑了样本被分入不同簇的情况，从而全面量化聚类间的冗余。视图加权：为不同视图分配权重，以区分不同视图对不同聚类结果的相关性，从而降低噪声视图的影响。联合优化：通过迭代优化过程，同时寻求具有高质量和高多样性的多个聚类结果。目标函数DMClusts 的目标函数旨在最小化重构误差并控制聚类间的冗余。最终 reformulate 后的目标函数如