随着技术的进步，数据通常具有多种形式或来自多种来源。 多视图聚类为从此类数据生成聚类提供了一种自然的方式。 尽管多视图聚类已经成功地应用于许多应用程序中，但是大多数以前的方法都假定每个视图的完整性（即，每个实例都出现在所有视图中）。 但是，在现实世界的应用程序中，通常有许多视图可供学习，但没有一个是完整的。 所有视图的不完整和可用视图的数量使得难以集成所有不完整的视图并获得更好的群集解决方案。 在本文中，我们提出了MIC（多不完整视图聚类）算法，该算法基于具有L2,1正则化的加权非负矩阵分解。 拟议的MIC通过学习所有视图的潜在特征矩阵并生成共识矩阵来工作，从而使每个视图与共识之间的差异最小。 与其他现有方法相比，MIC具有许多优势。 首先，MIC合并了加权非负矩阵分解，可处理每个不完整视图中的缺失实例。 其次，MIC使用了一种共归一化的方法，该方法将所有视图的学习到的潜在特征矩阵推向一个共同的共识。 通过规范化潜在特征矩阵与共识之间的分歧，可以轻松地将MIC扩展到两个以上的不完整视图。 第三，MIC将L2,1正则化合并到加权非负矩阵分解中，这使其对噪声和离群值具有鲁棒性。 第四，在M
