当前方法中，要么是针对每个视图提取特征，要么是对所有视图用统一的特征。本文提出一种专家混合框架。引入了一个门控网络，该网络可以动态地为每个数据样本选择多个专家来进行处理，从而从不同视图中捕获多样且互补的信息。为了保持专家的多样性，还加入了一个均衡损失，防止依赖一个专家。——如何让视图之间协作，又保留视图自己的特定信息，本文采用多个专家网络来实现。专家混合模型作为深度多视角聚类的表征学习。——失策了

当前方法忽视了簇间分离性和跨视图数据的整合信息。提出一种簇语义引导的深度多视图聚类方法：通过簇分离来增强判别性，同时引入蒸馏机制，保证簇的稳定性（感觉像AI的创新点），醋精对聚类友好的表示学习。引导模型面向簇的学习策略，促进判别特征的提取。——簇间分离性不够——特征提取（特征表示）和聚类任务分离。