基于典型相关性分析的多视图学习方法——典型相关性分析（Canonical Correlation Analysis, CCA）...

典型相关性分析（Canonical Correlation Analysis, CCA）是经典的挖掘视图相关 性的多视图子空间学习方法[38]，主要是计算两视图特征的最大线性投影，使得在投影空间中，两视图特征的相关性最大。

但 CCA 存在两个局限:

• 第一，只适用于两视图学习；
• 第二，只能进行线性运算，无法满足两视图特征的非线性关系运算。

基本概念

典型相关性分析（Canonical Correlation Analysis, CCA）是一种统计方法，用于量化和理解两组变量之间的线性关系。

CCA旨在找到两组变量内的线性组合，使得这些组合之间的相关性最大化。这种方法特别适用于探索不同数据源或测量方式之间的潜在联系。

CCA的基本目标是在两组随机变量 和 之间寻找一对线性组合，使得它们之间的相关性最大化。这里， 和 可以是任意两个数据集，例如，一个人的身高和体重数据集和这个人跑步和跳远的能力数据集。

CCA的主要公式和解释如下：

• 给定两组随机变量向量 和 ，其中 和
• CCA试图找到向量 和 ，使得新的变量 和 之间的相关性最大。
• 这里的 和 分别表示向量 和 的转置。

CCA的优化目标是：

其中，

• 是典型相关系数，表示 和 之间的相关性。
• 是 和 的协方差。
• 和 分别是 和 的 方差。

为了简化这个目标，CCA通过求解广义特征值问题来实现。具体来说，CCA试图最大化如下表达式：

其中，

• 是 的协方差矩阵。
• 是 的协方差矩阵。
• 和 分别是 和 之间的交叉协方差矩阵。

然而，为了简化计算，通常CCA通过求解以下广义特征值问题来实现：

其中，

• 
• 和 分别是与最大特征值对应的特征向量，这些向量给出最优的线性组合 和 。

CCA的一个关键假设是协方差矩阵 和 是非奇异的。如果矩阵奇异，需要额外的技术来处理这个问题。

在多视图学习中，CCA被用来寻找多个视图之间的线性投影，使得投影后的数据在新的低维空间中保留了视图间的相关性。这种技术在跨模态检索、多视图特征融合等领域有广泛的应用。

原创作者: u_15837794 转载于: https://blog.51cto.com/u_15837794/11458122