多视图混合嵌入：一种分而治之的方法

我们提出了一种新颖的跨视图分类算法，其中图库数据与探针数据来自不同视图。解决该问题的一种流行方法是多视图子空间学习（MvSL），旨在学习多视图数据共享的潜在子空间。尽管在某些应用上取得了有前景的结果，现有方法的性能在多变数据采样自非线性流形或受严重离群点影响时会急剧恶化。为规避此缺陷，受分而治之策略启发，我们提出多视图混合嵌入（MvHE），一种将跨视图分类问题划分为三个子问题并分别为每个子问题构建一个模型的独特方法。具体而言，第一个模型用于消除视图差异，而第二和第三个模型分别试图发现内在非线性结构并提升视图内与视图间样本的可判别性。我们进行了核扩展以进一步增强MvHE的表示能力。我们在四个基准数据集上进行了大量实验。在分类准确率和鲁棒性方面，我们的方法相较最先进的基于MvSL的跨视图分类方法展现出压倒性优势。