摘要：針對同一對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).多視角學習是利用事物的多視角數(shù)據(jù)進行建模求解的一種新的機器學S方法.大量研宄表明,多視角數(shù)據(jù)共同學習可以顯著提高模型的學習效果,因此許多相關(guān)模型及算法被提出.多視角學習一般需遵循一致性原則和互補性原則.基于一致性原則,Farquhar等人成功地將支持向量機(Support Vector Machine,SVM)和核典型相關(guān)分析(Kernel Canonical Correlation Analysis,KCCA)整合成一個單獨的優(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)間的互補信息.因此,在SVM-2K模型的基礎之上,提出了基于間隔遷移的多視角支持向量機模型(Margin transfer-based multi-view support vector machine,M2SVM),該模型同時滿足多視角學習的一致性和互補性兩原則.進一步地,從一致性的角度對其進行理論分析,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)集上驗證了M2SVM模型的有效性.