基于内在图补全的张量化不完整多视图聚类 (TIMVC_IGC)。该模型主要由以下几个关键模块组成：缺失视图推断与图构建（自我表达）、视图间的一致性约束 (Between-View Consistency)（其他视图从特征上表示本视图）、基于张量的低秩约束 (Tensor Low-Rank Constraint)（通过频域确保特征低秩）、共识表示学习 (Consensus Representation)（其他视图从结构上与本视图联系）
缺失视图推断与图构建：利用低秩表示 (Low-Rank Representation)的有效性来揭示数据的内在结构，不仅学习低秩表示矩阵，还引入了缺失实例矩阵
和先验映射矩阵
，通过优化公式自适应地恢复缺失的实例，从而构建每个视图的完整图
视图间的一致性约束：为了保证不同视图生成的图具有相似性，模型引入了一个视图间保持约束，这通过最小化 $Z^{(v)}$ 与其他视图的加权组合之间的差异来实现，利用矩阵 $H$ 来学习视图间的自我表示关系 。
基于张量的低秩约束：高阶相关性模型将所有视图的图矩阵堆叠成一个三阶张量
。引入张量核范数（基于 t-SVD 定义）
来约束这个张量。这使得模型能够在潜在的流形子空间中（频域）探索不同视图图结构之间的高阶相关性，从而获得更准确的内在图
共识表示学习：最后，通过谱聚类的思想，结合共正则化项，学习所有视图共享的低维共识表示矩阵 F，用于最终的聚类任务，L代表图的拉普拉斯矩阵，用于捕获数据的局部几何结构
表示该视图与其余视图的结构联系（入度、出度等），通过最小Tr使得所有视图共享的低维共识表示矩阵 F尽可能与每个视图结构（方向）保持一致
