Multi-View Clustering: Umfassender Überblick über unsupervised Lernmethoden

Maschinelles Lernen steht vor zahlreichen Hürden – von Rechenbeschränkungen über die Schwächen einzelner Ansätze bis hin zur Komplexität großer, heterogener Datensätze. In diesem Kontext bietet Multi‑View Clustering (MVC) eine vielversprechende Lösung, die die Grenzen einzelner Sichtweisen überwindet und eine reichhaltigere Datenrepräsentation ermöglicht.

Die aktuelle Studie liefert einen strukturierten Überblick über mehr als 140 zentrale Publikationen und teilt MVC in sieben klar definierte Kategorien ein: Co‑Training, Co‑Regularization, Subspace, Deep Learning, Kernel‑basierte, Anchor‑basierte und Graph‑basierte Methoden. Für jede Gruppe werden Stärken, Schwächen und praktische Herausforderungen – etwa Skalierbarkeit oder fehlende Daten – detailliert analysiert.

Darüber hinaus beleuchtet die Arbeit die Integration von Ansätzen wie Early Fusion, Late Fusion und Joint Learning und diskutiert zukunftsweisende Trends. Interdisziplinäre Anwendungen und neue Forschungsrichtungen werden aufgezeigt, sodass Forscher und Praktiker gleichermaßen einen klaren Fahrplan für die Weiterentwicklung von MVC erhalten.