표준적인 IMVC(Incomplete Multi-View Clustering) 평가는 서로 다른 결측 데이터(missing-data) 구성에 대해 별도의 모델을 재학습시킵니다. 본 연구에서는 이러한 패러다임이 근본적인 취약점을 가리고 있음을 보여줍니다. 즉, 결측률(missing rate)만으로는 데이터의 불완전성(incompleteness)을 특징짓기에 불충분합니다. 구체적으로, 우리는 명목상의 결측률이 동일한 프로토콜이라 하더라도 완전히 관찰된 샘플(fully observed samples)의 비율에서 최대 $50 imes$까지 차이가 날 수 있으며, 이로 인해 학습 체계(learning regimes)가 급격히 달라질 수 있음을 보여줍니다. 우리는 이 현상을 불완전성 발산(incompleteness divergence)으로 공식화하고, 결측 데이터 프로토콜 간의 구조적 격차를 포착하는 측정 지표를 제공합니다. 나아가, 광범위한 재구성 기반 목적 함수(reconstruction-based objectives)에 대해, 완전한 샘플의 비율이 임계값 미만으로 떨어지면 학습이 구조적으로 부적절(ill-posed)해지며 거의 무작위에 가까운 성능으로 이어진다는 것을 증명합니다. 이러한 이론적 한계를 우회하기 위해, 우리는 CRAFT(Complete-data Robust Attention-masked Fusion Transformer)를 제안합니다. CRAFT는 두 가지 핵심 속성을 통해 견고성(robustness)의 부담을 손실 함수(loss function)에서 아키텍처(architecture)로 전환합니다: (i) 완전한 샘플의 동시 발생(co-occurrence)에 대한 의존성을 제거하는 샘플별 독립성(per-sample independence), 그리고 (ii) 어텐션 마스킹(attention masking)을 통해 관찰된 뷰(views)만을 집계하는 마스크 인식 가변 길이 융합(mask-aware variable-length fusion)입니다. 이러한 설계를 통해, 완전한 데이터로 단 한 번 학습된 단일 모델이 추론 시 재학습 없이 다양한 결측 패턴에 일반화될 수 있습니다. 7개의 벤치마크에 대한 광범위한 실험 결과, CRAFT는 학습 오버헤드를 $8.8 imes$ 줄이면서도 각 구성별 베이스라인(per-configuration baselines)과 대등하거나 더 나은 성능을 보여주었으며, 이는 결측 데이터에 대한 견고성이 내재적인 아키텍처 속성으로서 달성될 수 있음을 입증합니다. 코드(CRAFT)와 imvc-audit 툴킷은 https://anonymous.4open.science/r/CRAFT-BF80/ 및 https://anonymous.4open.science/r/imvc-audit-8263/ 에서 확인할 수 있습니다.