본 논문은 다중 뷰 클러스터링에서 각 뷰의 상보성을 고려하지 않고 일관성에만 초점을 맞춘 기존 방법들의 한계를 극복하기 위해, disentangled variational autoencoder를 활용하여 공유 정보(일관성)와 개별 정보(상보성)를 분리하는 새로운 프레임워크를 제안합니다. 먼저, 대조 학습을 통해 다양한 뷰 간의 상호 정보를 극대화하여 정보적이고 일관된 표현을 학습합니다. 그 후, 일관성 추론 제약 조건을 사용하여 모든 뷰에서 공유 정보의 일관성을 추구하는 과정에서 상보적 정보를 명시적으로 활용합니다. 각 뷰의 개별 및 공유 정보를 사용한 내부 재구성과 모든 뷰의 공유 정보를 사용한 외부 재구성을 수행하여 이중 일관성 제약 조건을 적용합니다. 이러한 이중 일관성 제약 조건은 데이터 표현의 질을 향상시키고 복잡한 다중 뷰 환경으로 확장하기 쉽습니다. 학습 과정에서 일관성과 상보성 특징이 공동으로 최적화됩니다. 실험 결과, 제안된 방법이 기존 방법보다 우수한 성능을 보임을 확인했습니다.
