多视图学习与状态空间模型的融合：基于动态系统视角的创新方法

本文提出多视图状态空间模型（MvSSM），将多模态表征学习构建为连续时间动态系统，通过拉普拉斯变换（Laplace Transformation）与逆变换（inverse Laplace）推导系统动态表征，在IAPR-TC12等基准数据集上实现最高4.31%的准确率与4.27%的F1分数提升，为深度多视图学习提供了理论可解释性框架。

　　

亮点（Highlights）

• 提出将多视图学习中逐层特征传播过程构建为结构化状态空间模型（SSM），为跨视图交互的时序演化提供原理性处理框架

• 建立经典控制理论与深度多视图表征学习的理论桥梁，推出两种具可解释性的变体模型MvSSM-Lap与MvSSM-iLap

• 在多个多视图数据集上开展系统实验，证明所提方法在多种评估指标上持续优于现有最优方法

相关研究（Related Work）

本节回顾与本研究相关的文献，分别聚焦状态空间模型和多视图学习的进展。我们首先综述状态空间模型的最新研究，继而概述多视图学习的关键发展，重点探讨以往研究中解决的挑战及提出的解决方案。最后对基于图的多视图方法进行梳理。

提出方法（The Proposed Method）

本节阐述线性动态系统如何推导出可解释的图神经网络（GNN）。在介绍具体方法前，先汇总全文常用符号。

符号说明（Notations）。定义多视图数据集为 X = {X_v, Y_Ω}^V_v=1，其中 X_v ∈ R^D_v×N 表示第v视图的特征矩阵（样本数N，特征维度D_v，v ∈ [V]），Y_Ω 为由标签索引集Ω标注的标签矩阵。此处多视图学习指……

实验（Experiments）

本节说明用于评估的数据集和基线方法，全面评估所提出的MvSSM-Lap和MvSSM-iLap在半监督节点分类任务上的表现。我们汇报所有对比算法的运行时间，并提供深入的性能分析。此外，研究关键超参数（包括α、β、s、t和d）对模型效果的影响，并通过损失值变化监测模型收敛性。

结论（Conclusion）

本文提出一个基于状态空间模型形式、具有原理性和可解释性的深度多视图学习框架。受多视图特征传播可解读为潜在表征时序演化的启发，我们将学习过程重构为连续时间动态系统。通过结构化状态空间动力学，本方法从理论层面揭示了跨视图交互的演化机制……