近年来,多视图聚类算法已经能够较好地处理含有多个数据源或多个视图的数据集的情况,但如何反映数据对象和类簇之间的不确定性关系这个问题依然存在。另外,当数据维度较高时,基于距离的相似性度量方式变得不再适用。因此,针对高维多视图数据的聚类问题,论文基于低秩表示、三支聚类以及主动学习方法进行了研究。为了刻画数据对象与类簇之间的不确定性,论文采用了三支聚类表示方法。与传统的硬聚类使用两个域来表示类不同,在三支聚类表示中,每个类由核心域、边缘域和琐碎域三个域表示,分别刻画了对象与类簇之间的三种关系,即对象确定属于、可能属于和确定不属于某个类。通过三支聚类表示可以直观地刻画处于类簇边缘的对象。为了从多个视图数据中获取满足所有视图的一致性信息,论文提出一种基于低秩表示的多视图数据融合算法。该算法将多个视图数据映射到一个共同的低维子空间中,并获取每个视图数据的低秩表示,其全局最优问题的解用来构建一致性相似性图。考虑到视图之间的差异性,引入一致性低秩矩阵表示所有视图共享的潜在聚类结构,通过衡量其与各个视图的不一致性自适应地调整每个视图的权重信息。该算法使用增广拉格朗日乘子法对目标函数的优化问题进行求解,并在SensIT、3-Sources和Digits等数据集上与其他多视图聚类算法进行了对比实验。基于三支聚类表示的优势,论文提出了一种基于不确定性采样的主动学习策略。该策略使用熵的概念对边缘域中的对象进行不确定性度量,从中选择不确定性最高的对象即含有信息量最丰富的对象进行标记。由于该策略将搜索范围限制在了每个类的边缘域中,极大地缩小了对不确定性数据的搜索空间。通过在真实数据集上进行多组对比实验,实验结果表明了提出算法的有效性。