- 基本概念:
- 多视图学习(Multi-view learning)是对具有多个不同特征集表示的数据进行机器学习
- 同一个对象可以从不同角度或途径获得多个视图的描述
- 每个视图提供对同一对象的不同特征表示
- 核心原则:
- 共识准则(Consensus principle): 最大化不同视图之间的一致性
- 互补准则(Complementary principle): 不同视图包含互补信息,共同提供更完整的描述
- 主要方法类别:
- 协同训练(Co-training): 在不同视图上交替训练以最大化互相一致性
- 多核学习(Multiple kernel learning): 将不同视图对应的核函数进行组合
- 子空间学习(Subspace learning): 寻找多个视图共享的潜在子空间
- 与相关领域的区别:
- 多视图学习在模型设计阶段就考虑数据融合
- 多核学习可以用于多视图学习,作为一种数据融合方法
- 集成学习相比之下仅在训练后进行模型组合
- 多任务学习强调任务间知识迁移
- 应用场景:
- 网页分析(网页内容和链接文本)
- 多媒体内容理解(视频和音频)
- 图像检索(视觉特征和周围文本)
- 生物特征识别(不同传感器采集的数据)
- https://blog.csdn.net/xq151750111/article/details/123346744
- AI综述专栏 | 孙仕亮：多视图机器学习综述：- https://cloud.tencent.com/developer/article/1628223
- 多核学习、多视图学习、多任务学习和集成学习的区别和联系：https://www.cnblogs.com/sakuraie/p/13341454.html
- 多视图(mult-view)数据所包含的特征具有一致性和互补性：https://www.zhihu.com/question/358086709/answer/1989956099
- 多视角学习 (Multi-View Learning)：https://blog.csdn.net/shine19930820/article/details/77426599
- 多视图聚类总结：https://www.cnblogs.com/infinite-h/p/13401550.html
- Multi-view Learning 多视角学习入门：https://blog.csdn.net/Danliwoo/article/details/79278574
