为什么多视图学习需要“先挑特征，再做融合”？
多视图数据虽然能够提供更加丰富的信息，但并不是“信息越多越好”。实际数据中往往存在大量噪声特征和冗余特征，这些无关信息反而可能干扰模型学习。
因此，在一个不完全多视图聚类项目中，我们尝试采用一种比较直观的思路：先进行特征筛选，再进行多视图表示学习。
在得到更加有效的特征之后，再将不同视图的信息划分为“共享信息”和“私有信息”。共享部分用于学习不同视图之间的一致性，而私有部分则保留每个视图自身的特点。
这个项目让我认识到，模型结构并不一定越复杂越好。很多时候，从数据本身存在的问题出发，把整个学习过程拆解清楚，反而更容易找到有效的改进方向。
学会了！