本論文では、多視点クラスタリング（MVC）において、複数のソースからのノイズ（欠損ノイズや観測ノイズ）に対処する新しい枠組み「RAC-DMVC」を提案しています。この手法は、ノイズのある環境下での堅牢な表現学習を導くための信頼性グラフを構築します。特に、観測ノイズに対しては、データレベルでの堅牢性を向上させるためのクロスビュー再構成と、ノイズのある表現によるポジティブとネガティブペアの選択バイアスを軽減する信頼性意識のあるコントラスト学習を導入します。また、欠損ノイズには、ビュー間の共有情報を捉えつつビュー固有の特徴を保つデュアルアテンション補完を設計しています。さらに、自己教師ありクラスタ蒸留モジュールを用いて学習した表現を洗練し、クラスタリング性能を向上させます。実験結果から、RAC-DMVCは複数の評価指標で最先端手法を上回り、異なるノイズ比率においても優れた性能を持つことが示されています。