在实际的数据分析任务中，同一个对象往往可以从多个角度进行描述。例如，一个样本可能同时拥有图像、文本以及其他结构化信息，这些不同的信息来源就可以看作不同“视图”。

我的研究工作之一是围绕联邦多视图聚类展开。在联邦环境下，不同客户端不能直接共享原始数据，同时又可能存在视图缺失、数据质量不同以及客户端模型差异等问题。

针对这些现象，我们尝试从数据不确定性和模型不确定性两个角度进行建模，希望让模型在聚类过程中能够判断“哪些信息更加可靠”，从而提高不同客户端协同训练的稳定性。

这个项目让我第一次比较完整地经历了从阅读文献、提出问题，到代码实现、实验分析和论文写作的科研过程，也让我逐渐确定了自己对人工智能与多视图学习方向的兴趣。