T-PAMI-2021论文Semi-Supervised Multi-View Deep Discriminant Representation Learning阅读笔记

提示：文

0.论文信息

题目：Semi-Supervised Multi-View Deep Discriminant Representation Learning

期刊： IEEE Transactions on Pattern Analysis and Machine Intelligence （T-PAMI）

链接1：Semi-Supervised Multi-View Deep Discriminant Representation Learning | IEEE Journals & Magazine | IEEE Xplore

链接2：http://www.hezhenyu.cn/papers/paper_files/XiaodongJia2020_Semi-supervised_Multi-View_DeepDidcriminantRepresentationLearning.pdf

关键字：多视图学习、多视图表示学习、孪生网络（Siamese Network）、对抗学习（Adversarial Training）、一致性（Consensus）、互补性（Complementarity）、半监督学习、密度峰值聚类（Density Peak Clustering）。

1. Introduction

多视图学习及多视图表示学习的研究意义，重要性与必要性，这部分介绍省略……

1.1多视图数据的基本特性

T-PAMI这样的期刊愿意接收通用的方法。要想提出通用的方法，就不能仅仅是改进某一种已有的方法，而是需要从数据的本质出发提出新的方法。因此这一部分先介绍多视图数据的基本特性。

多视图数据有两个优势和一个劣势。两个优势是多视图数据具有一致性Consensus和互补性Complementarity。劣势是多视图数据中存在冗余。

1.1.1多视图数据的两个优势——一致性和互补性。

首先说多视图数据的一致性。由于多视图数据不同视图之间存在天然的对应关系（Pairwise Information），且对于一条多视图Sample来说，多个视图描述的是同一个Object，因此多视图数据中存在一致性。这个一致性可以从分类器和信息两个角度去理解。从分类器的角度来说，由于多个视图描述的是同一个Object，一个Object只能够属于一个类别，因此如果从多个视图学习到多个分类器，那么对于同一条多视图样本来说，不同分类器给出的分类结果应该是一致的。从特征、表示、信息的角度来说，从不同视图中学习到的特征或者信息有一部分是共享的、相同的，或者说是语义关联的（本论文中称为Shared）。

其次，多视图数据还存在互补性