（七步摘要）: 七步摘要方法：UserInformation bottleneck fusion for deep multi-view clustering

多视图聚类的目标是借助多个视角下的语义信息以实现聚类任务的完成。然而，在这一研究领域中，如何选取具有代表性的特征始终是一个关键问题。当前多数方法倾向于将数据映射至统一的特征空间，并随后构建相似性矩阵，这种做法往往导致对数据本身所蕴含的信息未能充分挖掘，同时忽视了噪声对数据的影响，从而造成表示学习效果不佳。信息瓶颈（IB）理论是一种基于信息论的模型，其核心理念在于通过选择适当的表示方式提取对特定任务有帮助的信息，并剔除冗余或无关的信息。本研究中，我们设计了一种创新的深度多视图聚类信息瓶颈融合模型（IBFDMVC），该模型在两个独立的特征空间中运作，并以并行方式重构语义内容。IBFDMVC主要由三个模块构成：编码模块采用两个线性编码层来学习并获取不同维度的嵌入向量；融合模块引入协作训练机制，在此过程中首先利用对比学习提升表示能力，继而应用信息瓶颈理论降低表示中的噪声；最后，在聚类模块中使用k-means算法完成聚类操作。与当前最先进的多视图聚类方法相比，IBFDMVC取得了更优的结果，验证了信息瓶颈理论在多视图数据分析中为特征选择和语义信息提取提供稳健框架的重要作用。

七步分如下（每一句都要有翻译）：

交代背景 :

 * "Multi-view clustering aims to employ semantic information from m