时间：2026（DOI: 10.1109/TPAMI.2026.3688728）发表场所：IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）核心思想现有的多视图聚类（MvC）方法普遍采用联合训练（joint training）范式，在统一目标下优化所有视图的特征提取器。然而，由于不同视图的判别信息存在差异，含有更丰富判别信息的视图会在训练中占据主导地位，导致其他视图的特征提取器被"欠优化"（under-optimized），从而产生多视图学习的不平衡现象。本文首次从梯度下降的视角系统分析了这种不平衡现象的成因，并提出了一种新的平衡多视图聚类方法BMvC（Balanced Multi-view Clustering），通过引入视图特定对比正则化（View-specific Contrastive Regularization, VCR），将视图特定聚类分布与从联合特征和视图特定特征中捕获的样本相似性对齐。该方法为视图特定编码器引入额外梯度，自适应地调节各视图的优化幅度，从而在视图特定模式（view-specific patterns）的利用与视图不变模式（view-invariance patterns）的探索之间取得更优的平衡。论文在八个基准多视图聚类数据集和两个空间分辨转录组（spatially resolved transcriptomics）数据集上进行了广泛的实验验证。目标函数BMvC 的