论文标题：A review on multi-view learning

期刊：Frontiers of Computer Science

作者：Zhiwen YU, Ziyang DONG, Chenchen YU, Kaixiang YANG, Ziwei FAN, C. L. Philip CHEN

发表时间：12 Aug 2024

DOI：10.1007/s11704-024-40004-w

微信链接：点击此处阅读微信文章

引用格式：

Zhiwen YU, Ziyang DONG, Chenchen YU, Kaixiang YANG, Ziwei FAN, C. L. Philip CHEN. A review on multi-view learning. Front. Comput. Sci., 2025, 19(7): 197334

阅读原文：

问题概述

多视图学习（MVL）正逐渐成为一种机器学习中的成熟领域，它解决了涉及多个视图或数据源可用性的问题，现有的多视图学习方法从融合时期来看可以分为两个主要类型：早期融合和后期融合。在早期融合方法中，不同视图的表示被连接或聚合成一个融合表示，并使用一个联合目标函数训练单个模型。相反，在后期融合中，为每个视图分别训练一个模型，最终预测通过融合各视图的结果得出。

近年来发表了一系列多视图学习综述，许多关于方法的综述主要集中在多视图分类任务或多视图聚类任务上，并且主要基于方法原理或风格进行分类。本综述旨在从学习范式的角度，通过考虑不同的监督场景和任务类型，对现有的多视图学习方法进行系统分类。

不同多视图学习综述总览

我们的工作

本文从多视图学习的基础理论、技术、方法分类、应用、未来发展及挑战等多个方面详细清晰地对多视图学习进行了阐述。具体地，本文将现有的多视图学习工作分为四大类：多视图分类方法，多视图半监督分类方法，多视图聚类方法，多视图半监督聚类方法。在该四大类的基础上，将多视图分类和多视图聚类分别进一步分为三个子类：多视图表示学习、不完备多视图学习、多视图学习与其他机器学习方法的结合。这种分类方式基于现有的主要研究热点和技术，从学习范式层面（监督、半监督、无监督）、任务层面（分类、聚类）、数据层面（视图不完备、标签不完备）及技术层面（表示学习、与其他技术的结合），深入的分析和讨论了现有的多视图学习工作。

具体工作

本文详细阐述了面向不同任务、不同学习范式的多视图学习原理及区别，包含多视图分类和多视图聚类的工作流程，面向分类任务和聚类任务的多视图表示学习、不完备多视图学习，多视图半监督分类和多视图半监督聚类，以及与其他技术结合的方法等等，此外本文还详细分析了多视图现有的应用和未来潜在应用，以及面临的挑战。

期刊简介

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办，南京大学支持，SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐B类期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；两次入选“中国科技期刊卓越行动计划”（一期梯队、二期领军）。

中国学术前沿期刊网

http://journal.hep.com.cn