尹宝才，张超辉，胡永利，孙艳丰，王博岳

（1. 北京工业大学 信息学部，北京 100124; 2. 北京人工智能研究院，北京 100124）

随着摄像头、传感器以及互联网技术的快速发展，人们能够越来越便捷地获取各种各样的多视数据，例如描述人的人脸、笔迹、指纹等特征，描述图像的颜色、纹理、形状等特征。多视数据能够更全面的描述目标对象，有益于克服单视数据中常见的光照、遮挡等难题，在识别[1]、聚类[2]等多视学习任务中表现出显著优势。然而，多视数据一般维度较高[3]，对其进行向量化表示时容易引发“维数灾难”问题，给传统多视学习算法带来了极大的困难。降维是数据挖掘的基础和热点问题，在克服“维数灾难”的同时还能挖掘数据中的判别信息，但其很难处理多视数据。因此，如何对多视数据进行有效的降维成为一个亟待解决的问题。

多视降维方法主要分为两类：有监督多视降维方法[4]和无监督多视降维方法[5]。有监督数据降维通过标签数据学习从高维数据到低维数据的降维模型，并利用该降维模型对新高维数据进行降维。然而，互联网上大部分数据是没有标签的，对其进行人工标注不仅效率低下且需要付出高昂的成本，因此无监督多视降维方法的研究变得更为重要。无监督多视降维方法不使用数据的标签信息，挖掘数据间联系来学习数据的低维表示。截止到目前，针对多视数据的无监督降维方法的研究，国内外都刚刚起步。

典范相关分析(canonical correlation analysis,CCA)及其变体[6-7]是研究多视图数据之间线性相关的一种有效方法。……