In diesem Artikel untersuchen wir zwei herausfordernde Probleme im Bereich der unvollständigen Multi-View-Clustering-Analyse, nämlich i) die Lernung einer informativen und konsistenten Darstellung über verschiedene Ansichten hinweg ohne Verwendung von Labels und ii) die Wiederherstellung fehlender Ansichten aus den Daten. Hierzu schlagen wir ein neuartiges Ziel vor, das Darstellungslernen und Datenwiederherstellung innerhalb eines einheitlichen Rahmens auf der Grundlage der Informationstheorie integriert. Genauer gesagt wird die informative und konsistente Darstellung durch Maximierung der gegenseitigen Information zwischen verschiedenen Ansichten mittels Kontrastlernens erlernt, während die fehlenden Ansichten durch Minimierung der bedingten Entropie verschiedener Ansichten mittels dualer Vorhersage wiederhergestellt werden. Soweit uns bekannt ist, stellt dies die erste Arbeit dar, die einen theoretischen Rahmen bereitstellt, der die konsistente Darstellungslernung und die Kreuz-View-Datenwiederherstellung einheitlich verbindet. Ausführliche experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode 10 konkurrierende Multi-View-Clustering-Verfahren auf vier anspruchsvollen Datensätzen erheblich übertrifft. Der Quellcode ist unter https://pengxi.me verfügbar.