28、多视图数据中共享与判别信息的学习及应用

多视图数据中共享与判别信息的学习及应用

在数据处理和分析领域，如何从多视图数据中有效学习共享和判别信息是一个重要的研究方向。本文将介绍相关技术在UCI数据聚类和图像数据分类中的应用，以及判别主成分分析（dPCA）等方法。

1. UCI数据聚类应用

UCI机器学习库中的多特征数据集包含了来自荷兰公用事业地图的手写数字，每个类别（0 - 9）有200个模式，通过6个特征集来表示，每个特征集包含2000个模式。具体的6个特征集如下表所示：
| 特征集 | 描述 |
| — | — |
| mfeat - fou | 76维字符形状的傅里叶系数特征 |
| mfeat - fac | 216维轮廓相关性特征 |
| mfeat - kar | 64维Karhunen - Love系数特征 |
| mfeat - pix | 240维2×3窗口内的像素平均值特征 |
| mfeat - zer | 47维Zernike矩特征 |
| mfeat - mor | 6维形态学特征 |

视图{Xm ∈RDm×1,400}6
m = 1由包含数字1、2、3、4、7、8和9的七个数据样本组组成，它们的维度各不相同。利用视图X3构建图形，图的邻接矩阵W ∈RN×N（N = 1,400）的(i, j)项定义如下：
[
w_{ij} =
\begin{cases}
K_t(i, j), & i \in N_{k1}(j) \text{ 或 } j \in N_{k1}(i) \
0, & \text{ 否则 }
\end{cases}