多视图深度学习是人工智能和机器学习领域的一个重要研究方向，在计算机视觉、自然语言处理和数据挖掘等领域广泛应用。其核心在于探索如何利用深度学习模型，从多视角或多模态数据中提取有效信息，最终实现信息的融合与增强。本书内容涵盖部分传统多视图学习方法，以及当前主流的多视图特征学习与深度表示学习方法。全书共10章，分为3个部分：第Ⅰ部分（第1、2章）阐述多视图学习的研究背景、应用领域的研究现状和未来发展趋势；第Ⅱ部分（第3～5章）介绍多视图特征学习的应用与研究成果；第Ⅲ部分（第6～10章）讨论多视图深度表示学习的应用与研究进展。

更多科学出版社服务，请扫码获取。

1988.9-1992.7，江苏科技大学计算机及应用专业，本科 1992.9-1995.7，南京理工大学模式识别与智能控制专业，硕士 1995.9-1998.12，南京理工大学模式识别与智能控制专业，博士1998.12-2001.7，中兴通讯公司南京研究所工程师 2001.7-2004.3，中国科学院自动化研究所副研究员、附属公司研究部副经理 2004.3-2005.6，哈尔滨工业大学深圳研究生院副教授 2005.6-2007.1，哈尔滨工业大学深圳研究生院教授、博士生导师 2007.1-2018.8，南京邮电大学自动化学院教授、博士生导师、副院长 2011.6至今，武汉大学计算机专业博士生导师、楚天学者特聘教授 2018.8至今，广东石油化工学院计算机学院院长1. 作为通讯作者、第一作者发表论文177篇，其中SCI检索论文126篇、EI检索51篇。 2. 代表性论文： (1) 荆晓远、张新玉等，Multiset Feature Learning for Highly Imbalanced Data Classification, IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)，2021，SCI影响因子23.6，中科院大类一区； (2) 贾晓栋、荆晓远等，Semi-supervised Multi-view Deep Discriminant Representation Learning, IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)，2021，SCI影响因子23.6，中科院大类一区； (3) 贾晓栋、荆晓远等，Human Collective Intelligence Inspired Multi-view Deep Representation Learning，IEEE担任武汉大学-北京大学通用人工智能计划（通计划）博士生导师、华南理工大学博士生导师等；担任国家自然科学奖会评专家、人工智能领域中科院SCI大类一区期刊《Pattern Recognition》等多个国际期刊编委、广东省云机器人工程技术研究中心主任、广东省石化装备智能安全重点实验室常务副主任、广东省计算机学会常务理事、茂名市计算机学会会长、武汉大学B类学科带头人、香港理工大学客座研究员等；获得教育部新世纪优秀人才、湖北省楚天学者特聘教授、湖北省创新群体带头人、广东省教育厅创新团队带头人等计划支持，入选爱思唯尔（Elsevier）中国高被引学者、全球前2%科学家等榜单。

目录
前言
第Ⅰ部分 多视图学习与深度学习
第1章 多视图学习概述 3
1.1 背景与意义 4
1.2 多视图学习研究现状与进展 5
1.2.1 多视图聚类方法研究 6
1.2.2 多视图分类方法研究 9
1.2.3 多视图回归方法研究 14
1.2.4 多视图决策方法研究 15
1.3 多视图学习研究不足与展望 18
1.4 本书内容安排 19
参考文献 20
第2章 多视图学习方法综述 23
2.1 多视图特征表示学习 24
2.1.1 基于连接的多视图特征表示学习 24
2.1.2 基于对齐的多视图特征表示学习 26
2.1.3 基于共享-独有的多视图特征表示学习 29
2.1.4 基于可解释的多视图特征表示学习 30
2.2 深度学习 31
2.2.1 深度有监督学习 32
2.2.2 深度半监督学习 33
2.2.3 深度无监督学习 35
2.2.4 深度强化学习 37
2.3 本章小结 39
参考文献 39
第Ⅱ部分 多视图特征学习的应用与研究
第3章 基于子空间学习的多视图特征学习方法 45
3.1 子空间学习概述及本章研究内容 45
3.2 组递归鉴别子空间学习 47
3.2.1 样本集分解与递归学习 47
3.2.2 投影向量选择规则 49
3.2.3 矩阵形式递归学习终止准则 50
3.2.4 算法实现步骤 51
3.3 不相关局部敏感多视图鉴别分析 51
3.3.1 局部敏感多视图鉴别分析 52
3.3.2 跨视图的一致性 53
3.3.3 不相关的多视图变换 54
3.3.4 问题建模与目标函数优化 54
3.4 实验验证与有效性评估 56
3.4.1 数据集介绍 56
3.4.2 对比方法及实验设置 59
3.4.3 分类效果评估 59
3.4.4 GRDSL、ULSMDA关键组成部分评估 61
3.4.5 运行时间评估 63
3.4.6 参数敏感性评估 64
3.5 本章小结 65
参考文献 65
第4章 基于字典学习的多视图特征学习方法 67
4.1 字典学习定义及本章研究内容 67
4.2 不相关多视图鉴别字典学习 68
4.2.1 UMD2L方法模型 69
4.2.2 UMD2L目标函数优化 70
4.2.3 基于字典编码的分类机制 71
4.3 多视图低秩字典学习 72
4.3.1 MLDL模型 73
4.3.2 MLDL目标函数优化 75
4.3.3 MLDL的分类机制 78
4.4 多视图低秩共享结构化字典学习 80
4.4.1 MLS2DL模型 80
4.4.2 MLS2DL目标函数优化 82
4.4.3 MLS2DL的分类机制 85
4.5 实验验证与有效性评估 86
4.5.1 数据集介绍 86
4.5.2 对比方法及实验设置 88
4.5.3 分类效果评估 89
4.5.4 UMD2L、MLDL、MLS2DL关键组成部分评估 92
4.5.5 运行时间评估 95
4.5.6 参数敏感性评估 96
4.6 本章小结 101
参考文献 101
第5章 基于半监督鉴别分析的多视图特征学习方法 103
5.1 半监督鉴别分析定义及本章研究内容 104
5.2 不相关半监督视图内和视图间流形鉴别学习 105
5.2.1 SI2MD机制 106
5.2.2 半监督不相关约束 108
5.2.3 USI2MD总目标函数及分类机制 109
5.3 实验验证与有效性评估 110
5.3.1 对比方法及实验设置 110
5.3.2 分类效果评估 111
5.3.3 USI2MD关键组成部分评估 113
5.3.4 运行时间评估 113
5.3.5 参数敏感性评估 114
5.4 本章小结 115
参考文献 115
第Ⅲ部分 多视图深度表示学习的应用与研究
第6章 基于谱内识别与谱间相关分析深度网络的多光谱人脸识别方法 119
6.1 多光谱深度学习研究基础及本章研究内容 120
6.2 基于谱内识别与谱间相关分析的深度识别网络 121
6.2.1 IDICN模型 121
6.2.2 谱内识别分析 123
6.2.3 谱间相关分析 124
6.2.4 目标函数优化与求解 125
6.3 实验设置与结果分析 126
6.3.1 HK PolyU多光谱数据集上的实验结果 128
6.3.2 CMU多光谱数据集上的实验结果 129
6.3.3 UWA多光谱数据集上的实验结果 131
6.4 有效性评估 132
6.4.1 识别效果评估 132
6.4.2 谱内识别分析与谱间相关分析重要性评估 133
6.4.3 参数敏感性评估 135
6.5 本章小结 136
参考文献 136
第7章 基于共享-独有半监督学习的多视图深度鉴别表示学习方法 139
7.1 共享-独有半监督多视图表示学习研究基础及本章研究内容 140
7.2 半监督多视图深度鉴别表示学习 141
7.2.1 共享-独有多视图深度鉴别表示学习框架 142
7.2.2 基于深度度量学习和密度聚类的半监督学习方法 144
7.3 典型的多视图学习任务评估 146
7.3.1 网页分类 146
7.3.2 图像分类 148
7.3.3 文档分类 150
7.4 实验验证与有效性评估 152
7.4.1 消融实验 152
7.4.2 改进对比损失函数的有效性 153
7.4.3 不同对齐策略的影响 155
7.4.4 不同半监督学习策略的影响 155
7.4.5 平衡因子对方法性能的影响 156
7.4.6 训练时间与收敛性 156
7.5 本章小结 159
参考文献 159
第8章 基于协同嵌入的多视图深度表示学习方法 162
8.1 协同嵌入研究基础及本章研究内容 162
8.2 协同嵌入多视图表示学习框架 162
8.2.1 本章假设与相似性判断策略 163
8.2.2 表示学习与坐标对齐 164
8.2.3 多视图标记传播算法 168
8.3 实验验证与有效性评估 170
8.3.1 数据集介绍 172
8.3.2 分类效果评估 173
8.3.3 特征表示对比 176
8.3.4 参数敏感性评估 179
8.3.5 训练时间与收敛性 180
8.4 本章小结 182
参考文献 183
第9章 视图间具有互补信息交流的多视图深度表示学习方法 185
9.1 多视图间信息交流研究基础及本章研究内容 185
9.2 受人类群体智能启发的多视图深度表示学习方法 186
9.2.1 人类交流模型与整体架构 186
9.2.2 单轮视图交流模型 187
9.2.3 多轮视图交流模型 191
9.2.4 表示学习与分类 192
9.3 不同领域的多视图任务评估 193
9.3.1 医学领域的对比 193
9.3.2 生物信息学领域的对比 195
9.3.3 机器学习领域的对比 195
9.4 实验验证与有效性评估 198
9.4.1 视图交流有效性评估 199
9.4.2 参数敏感性评估 202
9.4.3 互补信息交流普适性 203
9.4.4 与协同学习方法的区别 203
9.5 本章小结 204
参考文献 204
第10章 语义可解释多视图深度表示学习方法 207
10.1 可解释性多视图表示学习研究基础及本章研究内容 208
10.2 基于对齐的语义可解释多视图表示学习方法 209
10.2.1 基于对比学习的语义对齐表示学习网络 209
10.2.2 基于表示激活映射RAM的多视图语义相关性解释框架 211
10.2.3 基于类别激活映射CAM的特征重要性解释方法 213
10.3 实验设置与结果分析 213
10.3.1 跨视图检索实验 214
10.3.2 基于RAM的语义相关性解释实验 215
10.3.3 RAM兼容CAM实验 220
10.4 有效性评估 222
10.4.1 方法适用场景与先进性 222
10.4.2 方法普适性 223
10.5 本章小结 223
参考文献 224