15、多视图构建方法全解析

多视图构建方法全解析

1. 多视图学习与视图构建概述

在日常生活中，多视图数据十分常见。比如视频由视觉和听觉部分组成，网页包含文本和图像两种视图。多视图学习的发展使得利用数据的多视图特性成为可能，但多视图数据通常来自特定应用，存储和处理需要更多资源，多数情况下只有单视图数据可用。不过，我们可以通过从单视图数据生成多个视图来从多视图学习中获益。

视图构建并非随意为之，需要遵循一些指导原则。一方面，生成的视图要能充分代表数据，满足多视图模型假设，理想情况下，两个视图的假设应在同一示例上达成一致，即遵循视图共识原则；另一方面，多视图学习算法常假设视图之间条件独立，在多数情况下，这一假设可被较弱的视图互补原则替代。这两个原则是许多多视图学习算法的基础，生成视图时需加以考虑，以确保算法性能。

以下将介绍几种视图构建方法，包括三种简单方法和三种基于神经网络的方法。

2. 特征集划分

将单视图数据的特征集划分为不相交的子集，每个子集代表一个视图，是生成多视图的自然方法。当特征具有实际意义时，划分容易进行。

2.1 示例

在人体动作识别实验中，实验室人员身体周围配备50个传感器，提供描述人体姿势和动作的50维特征集。根据传感器位置，可自然地将其划分为不同组，每组监测人体某部分的运动，这些组即为不同视图。

2.2 通用表示

假设单视图数据集D包含D个示例，每个示例有m个属性，即x = {x1, x2, …, xm}，属性索引集为A = {1, 2, .., m}。为生成V个视图，将索引集划分为V个不相交的子集，即A = ∪i Ai 且 Ai ∩ Aj = ∅（i ≠