【摘 要】多视图学习是将不同来源的特征子集加以融合的策略。典型相关分析是多视图学习中的重要方法，旨在最大化不同视图之间的相关性。传统的典型相关分析仅能计算两个视图之间的线性相关性，无法应用于包含多个视图或包含非线性相关性的数据集。此外，如果将典型相关分析应用于有监督任务，其作为一种无监督方法将导致标签信息的浪费。针对上述问题，提出大量非线性的、针对多个视图的、有监督的基于典型相关分析的多视图学习方法。首先，概述经典的基于典型相关分析的多视图方法；然后介绍这些方法在模式识别、跨模态检索和分类，以及多视图嵌入中的典型应用；最后，对基于典型相关分析的多视图学习方法面临的挑战和未来研究方向进行了总结和展望。
【关键词】典型相关分析 ; 多视图学习 ; 多模态检索 ; 多视图嵌入
0 引言
通过单一视图对事物进行描述是局部的、不准确的，如同“盲人摸象”，无法得知事物全貌。现实场景中包含多个描述视角的多视图数据不胜枚举。多视图数据如图1所示，被拍摄物体的不同拍摄视角、视频中的音频和图像帧、网页上的文字和对其他网页的链接、人的脑电图（electroencephalogram， EEG）和心电图（electrocardiogram，ECG）、同一语义对象的不同描述语言等都是多视图数据。使用多视图数据能够帮助被描述对象的信息得到更充分的表达，从而更好地完成分类、聚类、回归等与机器学习相关的识别任务。基于此，多视图学习应运而生。作为机器学习的重要分支，多视图学习正在引起越来越广泛的关注和研究。多视图学习的主要目的在于挖掘视图间的一致性和互补性，以达到比单视图更好的泛化性能。