作者：Jing Zhao a, Xijiong Xie a, Xin Xu b, Shiliang Sun a,∗单位：a Department of Computer Science and Technology, East China Normal University, 3663 North Zhongshan Road, Shanghai 200062, PR China b College of Mechatronics and Automation, National University of Defense Technology, Changsha, 410073, PR China发表期刊：Information Fusion, 2017, 38:43-54论文简介：多视角学习是机器学习中的一个新兴方向，它考虑通过多视角学习来提高泛化性能。多视角学习也称为来自多个功能集的数据融合或数据集成。文中首先回顾了理论基础，以了解多视角学习的属性和行为。然后，按照三个类别描述多视角学习方法，以提供一个整洁的分类和组织。对于每种类别，都提出了代表性算法和新提出的算法。这项调查的主要特点是，我们在与早期方法保持一致的基础上，为多视角学习方法的最新发展提供了全面的介绍。我们还将尝试确定有前途的场所，并指出一些具体的挑战，这些挑战有望推动这一快速发展领域的进一步研究。研究方向：多视角学习(综述)
下载作者：Hongliu CAO∗a,b, Simon BERNARDa, Robert SABOURINb, Laurent HEUTTEa单位：a Normandie Univ, UNIROUEN, UNIHAVRE, INSA Rouen, LITIS, 76000 Rouen, France b Laboratoire d’Imagerie, de Vision et d’Intelligence Artificielle, École de Technologie Supérieure, Université du Québec, Montreal, Canada发表期刊：Pattern Recognition, 2019, 88:185-197论文简介：文中首先表明Radiomics分类问题应被视为高维，低样本量，多视角的学习问题。然后，提出了一种基于差异的方法，用于合并来自不同视角的信息，基于随机森林分类器。在不同的公共多视角数据集以及Radiomics数据集上，将所提出的方法与不同的最新Radiomics和多视角解决方案进行了比较。实验表明，所提出的方法比Radiomics以及多视角学习文献中的最新方法效果更好。研究方向：多视角学习（医学影像分类）
下载作者：Jin Tae Kwak a,∗, Stephen M. Hewitt b单位：a Department of Computer Science and Engineering, Sejong University, Seoul 05006, Korea b Tissue Array Research Program, Laboratory of Pathology, Center for Cancer Research, National Cancer Institute, National Institutes of Health, MD 20852,USA发表期刊：Computer Methods & Programs in Biomedicine, 2017, 142(Complete):91-99.论文简介：文中提出了一种多视图增强方法来检测前列腺癌。以不同的分辨率提取组织形态特征。来自多种解决方案的信息被组合在一起，并用于确定疾病状态。大量的组织微阵列被用于系统地评估所提出的方法。所提出的方法实现了准确且鲁棒的分类，并且优于标准的机器学习算法。研究方向：多视角学习（前列腺癌分类方法）
下载作者：Yuhan Liu1, Minzhi Yin2, and Shiliang Sun1单位：1 Department of Computer Science and Technology, East China Normal University, Shanghai, China 2 Department of Pathology, Shanghai Children’s Medical Center, Shanghai Jiao Tong University School of Medicine, Shanghai, China发表期刊：Proceedings of the 15th Pacific Rim International Conference on Artificial Intelligence (PRICAI), 2018.论文简介：文中使用多视角最大熵鉴别（MVMED）来结合不同表现是的贡献信息。这些信息可以是同一病理图像的不同特征。因此，可以利用一种只强调纹理信息的典型特征来适应组织图像的特征，并将纹理特征与其他类型的特征相结合，以弥补其所能贡献的信息的局限性。文中分别应用传统图像表示和深度神经网络表示的多视图和单视图最大熵辨别。诊断在三种神经母细胞瘤亚型中进行，未分化亚型（UD），低分化亚型（PD），分化亚型（D）和正常型非肿瘤组织（UN）。最佳分类性能（94.25％）远远超过相应领域的老年人的诊断准确性（56.5％），证明了神经网络表征在分析神经母细胞瘤肿瘤的微观病理图像方面的潜力。研究方向：多视角学习（显微神经母细胞瘤病理影像分类）
下载作者：Shiliang Sun and Guoqing Chao单位：Department of Computer Science and Technology, East China Normal University发表期刊：Proceedings of the Twenty-Third international joint conference on Artificial Intelligence. 2013.论文简介：文中提出了一种多视图最大熵判别框架，该框架是MED到具有多个特征集的学习场景的扩展。与现有的利用多种视图的方法（例如，协同训练风格算法和共正则化风格算法）不同，文中提出了一种新方法，以利用不同的视图，其中这些视图的分类裕度必须相同。为多视图最大熵判别提供了解决方案的一般形式，并在特定的现有公式下提供了实例化，该公式类似于SVM的多视图版本。在真实数据集上的实验结果表明了所提出的多视图最大熵判别方法的有效性。研究方向：多视角学习
下载作者：Liang Mao, Shiliang Sun单位：Shanghai Key Laboratory of Multidimensional Information Processing, Department of Computer Science and Technology, East China Normal University发表期刊：International Joint Conference on Artificial Intelligence. AAAI Press, 2016.论文简介：文中提出了一种基于软边际一致性的多视图MED（SMVMED），它以不太严格的方式实现了边际一致性，从而最大程度地减小了两个视图边际的后验之间的相对熵。通过权衡参数，可以在大幅度保证金和保证金一致性之间取得平衡，SMVMED更加灵活。文中还提出了一种顺序最小优化（SMO）算法，以有效地训练SMVMED，并使其可扩展到大型数据集。研究方向：多视角学习
下载