11、多视图迁移学习、多任务学习与多视图深度学习方法解析

多视图迁移学习、多任务学习与多视图深度学习方法解析

多视图多任务学习算法

在多视图多任务学习（MVMT）领域，有两种重要的算法值得关注，分别是协同正则化多视图多任务学习算法（regMVMT）和凸共享结构学习算法（CSL - MTMV）。

协同正则化多视图多任务学习算法（regMVMT）

regMVMT 基于多视图多任务学习是单任务多视图学习的一般形式这一事实，将协同正则化这一常见的多视图学习方法扩展到 MVML 学习中。该算法考虑了多个视图的信息，并在监督学习框架下同时学习多个相关任务。

下面是一些关键的符号说明：
- 总共有 T 个任务，第 t 个任务有 Nt 个标记样本和 Mt 个未标记样本，且 Nt ≪ Mt。
- 有 V 个视图来描述每个示例，第 v 个视图有 Dv 个特征。
- 对于第 t 个任务的第 v 个视图，标记和未标记示例的特征矩阵分别为 (X_{t}^{v} \in R^{N_{t} \times D_{v}}) 和 (U_{t}^{v} \in R^{M_{t} \times D_{v}})。标记示例的标签向量为 (y_{t} \in {1, -1}^{N_{t} \times 1})。
- 所有 V 个视图的特征矩阵可以分别写成 (X_{t} = (X_{t}^{1}, X_{t}^{2}, \ldots, X_{t}^{V})) 和 (U_{t} = (U_{t}^{1}, U_{t}^{2}, \ldots, U_{t}^{V}))。
- 引入指示矩阵 (I_{d} \in {0, 1}^{T \times V}) 来反映任务和视图之间的关系。

对于第 t 个