Multi-view Learning 多视图学习

Multi-view Learning

Multi-view Learning 定义

通俗来讲，多视图就是从多个角度去学习，提高数据预测准确性~
多视图中可以从多个源或不同的特征子集获得视图。
These views may be obtained from multiple sources or different feature subsets.

例如，一个人可以通过面部，指纹，签名或虹膜，从多个来源获得的信息，而图像可以
由它的颜色或纹理特征表示，可以看作不同的特征子集图像。
在试图组织和突出之间的相似点和不同点各种多视图学习方法，我们审查了一些具有代表性的多视图

在不同领域学习算法并将它们分为三组：

• co-training 协同训练，
• multiple kernel learning 多核学习,
• subspace learning 子空间学习。

Co-training(协同训练) :
trains alternately to maximizethe mutual agreement on two distinct views of theunlabeled data.
值得注意的是，协同训练风格算法交替训练，以最大化两个不同数据视图的相互一致性。
Multiple kernel learning(多核学习) :
exploits kernels that naturally correspond to different views and combine kernels either linearly ornon-linearly to improve learning performance.
利用自然对应于不同视图的内核并线性或非线性地组合内核以提高学习性能。
Subspace learning(子空间学习) :
obtains a latent subspace shared bymultiple views by assuming that the input views are generated fromthis latent subspace.
子空间学习算法旨在通过假设从该潜在子空间生成输入视图来获得由多个视图共享的潜在子空间。

参考材料

http://scholar.google.com.hk/scholar_url?url=https://arxiv.org/pdf/1304.5634&hl=zh-CN&sa=X&scisig=AAGBfm1o503Hv4CN9qBTkVX43k32EqTB8g&nossl=1&oi=scholarr