概念
多视图学习（Multi-view Learning）是机器学习领域的一个研究方向，它处理的是从不同角度或不同特征集观察到的数据。在许多现实世界的应用中，数据可以以不同的形式或视角获得，比如一张图片可以从标签、文本描述、像素值等多个角度来表示。多视图学习的目标是从这些不同的视图中学习一个联合模型，以提高预测性能或者更好地理解数据。
多视图学习的基本思想是，每个视图提供了一组不同的特征或信息源，这些视图之间的互补信息可以帮助算法更准确地捕捉数据的潜在结构。常见的多视图学习方法包括但不限于：
- 共现学习（Co-training）：这种方法通常用于半监督学习场景下，其中使用多个视图中的数据来训练模型，并假设视图之间存在条件独立性。通过迭代地选择不同视图下的样本进行训练，可以提高模型的准确性。
- 多视图聚类（Multi-view Clustering）：当数据没有标签时，可以利用多视图信息来进行聚类。这种方法试图找到一种能够同时解释所有视图的聚类结果。
- 多视图分类（Multi-view Classification）：在有监督学习中，利用多视图信息来提高分类任务的性能。
- 多视图降维（Multi-view Dimensionality Reduction）：这种方法旨在从多个视图中找到一个低维嵌入空间，在该空间中，来自不同视图的数据点能够很好地保持其原始关系。
- 跨媒体检索（Cross-media Retrieval）：例如，给定一幅图像，系统应该能够找到与之相关的文本描述或其他形式的多媒体内容。
- 多视图深度学习（Multi-view Deep Learning）：最近的研究趋势是在多视图框架内应用深度学习技术，以便自动学习复杂的特征表示并整合多源信息。
多视图学习的应用非常广泛，包括但不限于计算机视觉、自然语言处理、生物信息学等领域。通过有效地利用多视图信息，可以显著提高机器学习模型的性能和鲁棒性。
准则（Principles）
（1） consensus principle (共识准则)
（2）complementary principle (互补准则)
分类
现有的可用于多视角学习算法分为三类：
（1）Co-training 协同训练
（2）Multiple Kernel Learning 多核学习
（3）Subspace Learning 子空间学习。
参考
- https://blog.csdn.net/xq151750111/article/details/123346744