この記事では、不完全マルチビュークラスタリング（IMVC）のための新しい手法「動的深層グラフ学習（DGIMVCM）」を提案しています。IMVCは、現実世界のマルチビューデータの普及に伴い、重要な研究分野となっています。従来の方法では、K近傍法を用いて静的なグラフを構築するため、ノイズやトポロジのロバスト性が低下する問題があり、さらにグラフの再構成損失として平均二乗誤差（MSE）が使われるため、最適化時に大きな勾配ノイズが生じます。本研究では、まず原データから欠損に強いグローバルグラフを構築し、次にグラフ畳み込みエンコーダを使用して主要な特徴を抽出し、動的なビュー特有のグラフ構造を洗練させます。また、マスク付きグラフ再構成損失を用いて最適化を行うことで勾配ノイズを軽減し、最後にクラスタリングモジュールを構築します。複数のデータセットを用いた実験により、DGIMVCMの効果と優位性が実証されました。