CTCC框架的效果如何？实验数据给出了明确的答案。研究团队在五个基准数据集上进行了全面测试，包括MSRCV（210个样本，7个类别，6个视图）、Leaves（1600个样本，100个类别，3个视图）、HandWritten（2000个样本，10个类别，6个视图）、UCI-digit（2000个样本，10个类别，3个视图）和ALOI（10800个样本，100个类别，4个视图）。这些数据集涵盖了不同规模、不同复杂度的多视图场景，能够全面评估CTCC的性能。 实验结果令人振奋。在所有五个数据集上，CTCC都显著超越了现有方法。以聚类准确率（ACC）为例，在MSRCV数据集上，CTCC达到了93.33%的准确率，比第二好的方法LMVSC（83.73%）高出近10个百分点；在Leaves数据集上，CTCC的准确率为81.38%，比BMVC（74.38%）高出7个百分点；在HandWritten数据集上，CTCC达到了97.45%的准确率，超过了DSMVC（95.25%）；在UCI-digit数据集上，CTCC的准确率为95.65%，比MFLVC（92.00%）高出3.65个百分点；在ALOI数据集上，CTCC的表现尤为突出，准确率达到75.29%，比第二好的方法BMVC（63.54%）高出近12个百分点。 除了准确率，CTCC在归一化互信息（NMI）、纯度（Purity）和F1分数（F-score）等指标上也取得了最佳成绩。这些多角度的评估指标共同证明了CTCC框架的有效性和稳定性。 为了更深入地理解CTCC的工作机制，研究团队进行了一系列可视化分析。他们展示了HandWritten数据集上双重代理图的演变过程。从最初的单视图代理图，到融合一致性信息后的代理图，再到加入互补性信息后的最终代理图，可以清晰地看到聚类效果的逐步提升。特别是在第三阶段，互补性信息的加入使得样本与特定簇的关联变得更加明确，这解释了为什么CTCC能够取得如此高的聚类准确率。 研究团队还分析了视图拓扑图对聚类性能的影响。在HandWritten数据集上，视图拓扑图显示视图3与视图5之间关系较近，而与视图6关系较远。基于这一拓扑关系，CTCC能够更有效地利用视图3和视图5中的共享信息，同时保留视图6中的特有信息，从而实现97.45%的高准确率，远超单个视图的最佳表现（视图3的79.95%）。 此外，研究团队还进行了详细的参数敏感性分析。他们考察了正则化系数φ（控制一致性信息）和β（控制互补性信息）对模型性能的影响。在MSRCV数据集上，当φ=10且β=1时，CTCC取得了最佳性能；在HandWritten数据集上，当φ=100且β=0.01时，CTCC表现最佳。这表明不同数据集对一致性和互补性信息的需求不同，需要通过参数调整来平衡。 为了直观展示CTCC的效果，研究团队还对HandWritten和UCI-digit数据集进行了t-SNE可视化。对比原始特征和CTCC学习后的特征，可以清晰地看到CTCC使得同类样本聚集在一起，不同类样本分离开来，形成了更有利于聚类的特征分布。
