Trong bài báo này, chúng tôi đề xuất một phương pháp MVL mạnh mẽ (RML) thực hiện đồng thời việc hợp nhất và căn chỉnh biểu diễn để khắc phục những hạn chế của phương pháp học đa góc nhìn (MVL) tích hợp nhiều loại dữ liệu khác nhau. RML sử dụng mạng hợp nhất biến áp đa góc nhìn để biến đổi dữ liệu đa góc nhìn không đồng nhất thành các nhúng từ đồng nhất và thu được các biểu diễn hợp nhất thông qua cơ chế chú ý ở cấp độ mẫu. Ngoài ra, chúng tôi đề xuất một khuôn khổ học tương phản đa góc nhìn sử dụng nhiễu dựa trên mô phỏng để mô phỏng các điều kiện dữ liệu không đầy đủ và căn chỉnh hai biểu diễn hợp nhất thu được từ dữ liệu nhiễu và dữ liệu không có sẵn thông qua học tương phản để học các biểu diễn phân biệt và mạnh mẽ. RML là một phương pháp học tự giám sát và có thể được sử dụng như một mô-đun cắm và chạy cho phân cụm không giám sát đa góc nhìn, phân loại nhãn nhiễu và tìm kiếm băm đa phương thức. Kết quả thực nghiệm xác minh tính hiệu quả của RML.
