低秩矩阵完备_多源域和多视角 “秩约束”

Robust Multi-view Representation: A Unified Perspective from Multi-view Learning to Domain Adaption

可以通用使用下面这个框架：

第一项多视角配准

第二项特征学习约束：使用label信息或者数据的本身结构

---

多视角学习：

一、多视角聚类

融合多个视角的知识，寻找一个一致的聚类结果

1. canonical correlation analysis (CCA)给每个视角一个投影矩阵
   ，把数据转化到共同的子空间。通过maximizing the cross correlation across two views:

变种：

• Multi-view CCA， i=1, ..., V
• deep CCA 把
  转化成

*2. semi-nonnegative matrix factorization+图约束保持几何结构

由于没有lable信息，通常使用数据的潜在分布来学习共同的特征表达。

二、多视角分类

使用了标签信息

两种场景：

First, one view will be used to recognize other views with the learned model. In this case, the label information across training and test data is different;【zero shot learning can also be modeled as a