近年来关于alignment的文章很多。本文将大致将它们总结一下
1. A Survey of Multi-View Representation Learning(2019TKED)
多视图对齐的定义:
具体的对齐策略见该文献。
2.Multiple kernel clustering based on centered kernel alignment(2014PR)
该准则用于度量两个kernel的相似性(该准则与kernel CCA 非常相似)。
该论文的主要目的是利用多核方法学习到最优的聚类结果(两个kernel,Ku为多核的线性组合,标签表示矩阵的乘积为另一个kernel,然后最大化两个kernel的相似性)。其目标函数如下:
2.Multiple Kernel Clustering with Local Kernel Alignment Maximization(ijcai2016)
改论文把相似性度量表示为分子分母的差的形式:
然后假设核矩阵相似,其权重也应该一致。此外,邻域内的点最终表示应该一致。最终的目标函数为:
3.Multi-view Clustering via Late Fusion Alignment Maximization(ijcai19)
目标函数如下:
4.Multi-view Clustering via Deep Matrix Factorization and Partition Alignment(ACM MM21)
本质上来讲,就是将alignment加到目标函数中,来学习最终的表示。
5.Multiple Partitions Aligned Clustering(ijcai19)
因此目标函数为:
总结分析
1.从本质上来讲,文献[5]这种alignment方式实际上只利用了多视图数据的一致性信息(认为一致性信息是类别一致)。
2.文献【1-4】的对齐方式假设\sumH^vW^v中包含了多视图数据中的所有信息,这种对齐方式本质上来讲是现将多视图数据进行融合,然后再讲融合后的数据与H进行对齐。文献[1]中提出的三种融合方式中的sum方式。