面向多视图特征学习的层次化共识网络

多视图特征学习旨在通过整合每个视图中的独特信息来学习判别性特征。然而，大多数现有方法在学习视图一致性特征方面仍面临重大挑战，而这对有效的多视图学习至关重要。受多视图特征学习中典型相关分析 (CCA) 和对比学习理论的启发，本文提出了层次化共识网络 (HCN)。HCN 推导出三个共识指标来捕获跨视图的层次化共识，分别是分类共识、编码共识和全局共识。具体而言，分类共识从 CCA 的角度强化了视图间的类别级对应关系，而编码共识则与对比学习非常相似，反映了个体实例的对比比较。全局共识旨在同时从两个角度提取共识信息。通过强制实施层次化共识，每个视图内的信息得以更好地整合，从而获得更全面、更具判别性的特征。在四个多视图数据集上获得的广泛实验结果表明，所提出的方法显著优于多种最先进的方法。