多视图分类的全面调查：方法、应用与挑战

《ACM Transactions on Intelligent Systems and Technology》：A Comprehensive Survey on Multi-View Classification: Methods, Applications, and Challenges

本文系统综述多视角分类（MVC）领域，将方法分为文本、图像、时间序列、高光谱、视频、信号和三维形状七类，分析其在监督与半监督学习中的进展，探讨未来研究方向。

　　

摘要

多视图分类（MVC）作为一种有前景的机器学习方法应运而生，旨在通过利用来自多个视角的信息来提高分类准确性。随着对更强大、更易解释和更有效的机器学习模型的需求不断增加，MVC在过去十年中取得了显著进展，但也面临着新的挑战。尽管关于这一主题的文献众多，但目前仍缺乏对MVC方法进行全面综合的研究。本文通过详细概述和分类MVC方法来填补这一空白，将其分为七个不同的类别：文本、图像、时间序列、高光谱、视频、信号和3D形状。我们对每个类别进行了深入分析，强调了其中的进展，并评估了这些方法在监督学习和半监督学习中的应用潜力。除了这项回顾性分析之外，我们还探讨了该领域未来的研究和发展方向。本调查既是对现有知识的总结，也为未来的MVC研究提供了指导，为正在进行的研究和创新指明了方向。