近日，信电学院冯建英副教授课题组在计算机领域权威期刊 Information Fusion上围绕多视图学习发表研究论文Hierarchical cross-module knowledge transfer based on structural multi-view least squares support vector classification。

数据来源和获取方法的日益多样化使得单个对象可以由多组特征进行表示，每组特征分别源自不同的视图/视角，包括可能来自多个传感器、多模态数据表征形式等。多视图数据通常表现出多来源、多模态、异质性和高维等特征，导致传统的机器学习模型难以有效处理该类数据。为解决以上问题，多视图学习（Multi-view learning，MVL)）被提出并逐渐成为一种强大的范式，通过高效整合和利用来自多个视图的信息，实现对潜在对象更全面的理解。但一般多视图学习模型存在依赖成对视图比较、难以捕捉复杂视图间关系以及计算成本高等问题，基于此，该研究提出一种基于分层迁移的结构化多视图最小二乘支持向量分类方法（HT-SMLSSVC）。

该研究创新点主要在于：将深度堆叠架构的理念融入多视角学习，并创造性地借助迁移学习来构建这一深度架构，从而显著提升了解决复杂问题的能力。在每一层通过加权策略和聚类实现互补性与一致性原则，并构建结构正则项以增强类内聚合性和类间可分性；不同于传统方法采用成对视图对比，HT-SMLSSVC通过各视图为彼此提供互补的结构信息来丰富分类器多样性，避免了成对比较机制；采用最小二乘损失，将超平面求解转化为线性方程组而非标准二次规划问题，同时通过随机超参数分配与自适应验证实现高效学习，显著降低训练时间。

图1 本研究提出的多视图学习模型框架

在17个UCI数据集和45个AWA数据集上的实验表明，HT-SMLSSVC性能均优于现有先进方法，且训练速度显著更快。实验结果证明这种结合结构融合、分层知识迁移与随机超参数分配的统一框架，在不牺牲性能的前提下实现了高效的多视图学习，为多视图分类任务提供了更高效且可扩展的解决方案，在目标检测、信号分析、医学诊断、风险评估等领域有潜在应用价值。

该研究第一完成单位为中国农业大学，信电学院博士生张思源为本文第一作者，信电学院冯建英副教授为论文通讯作者，北京林业大学理学院为合作单位，本研究工作得到现代农业产业技术体系建设项目（CARS-29）资助。

原文链接 https://www.sciencedirect.com/science/article/pii/S1566253525011613