본 논문은 불완전 다중 뷰 클러스터링(IMVC) 문제를 해결하기 위해, 결측 데이터로 인한 프로토타입 이동 및 뷰 간 의미적 불일치 문제를 해결하는 새로운 프레임워크인 FreeCSL을 제안합니다. 기존 방법들의 한계점인 인스턴스 또는 클러스터 수준 일관성 학습의 부족과 뷰 특이적 클러스터 정보의 무시 문제를 해결하기 위해, FreeCSL은 이용 가능한 데이터로부터 공통 프로토타입을 학습하여 공유 공간을 생성하고, 의미적으로 유사한 관측치들을 가깝게 배치하여 공통 의미를 학습합니다. 또한, 각 뷰 내의 의미 관계를 포착하기 위해 모듈성 기반 휴리스틱 그래프 클러스터링을 설계하여 클러스터 구조를 복원합니다. 실험 결과, FreeCSL은 기존 최첨단 방법들보다 IMVC 작업에서 더욱 신뢰할 수 있고 강력한 할당 결과를 달성함을 보여줍니다.
