摘要：針對(duì)同一對(duì)象從不同途徑或不同層面獲得的特征數(shù)據(jù)被稱為多視角數(shù)據(jù).多視角學(xué)習(xí)是利用事物的多視角數(shù)據(jù)進(jìn)行建模求解的一種新的機(jī)器學(xué)S方法.大量研宄表明,多視角數(shù)據(jù)共同學(xué)習(xí)可以顯著提高模型的學(xué)習(xí)效果,因此許多相關(guān)模型及算法被提出.多視角學(xué)習(xí)一般需遵循一致性原則和互補(bǔ)性原則.基于一致性原則,Farquhar等人成功地將支持向量機(jī)(Support Vector Machine,SVM)和核典型相關(guān)分析(Kernel Canonical Correlation Analysis,KCCA)整合成一個(gè)單獨(dú)的優(yōu)化問題,提出SVM-2K模型.但是,SVM-2K模型并未充分利用多視角數(shù)據(jù)間的互補(bǔ)信息.因此,在SVM-2K模型的基礎(chǔ)之上,提出了基于間隔遷移的多視角支持向量機(jī)模型(Margin transfer-based multi-view support vector machine,M2SVM),該模型同時(shí)滿足多視角學(xué)習(xí)的一致性和互補(bǔ)性兩原則.進(jìn)一步地,從一致性的角度對(duì)其進(jìn)行理論分析,并與SVM-2K比較,揭示了M2SVM比SVM-2K更為靈活.最后,在大量的多視角數(shù)據(jù)集上驗(yàn)證了M2SVM模型的有效性.