典型相关分析 (CCA) （及其内核等价物 (KCCA)）可用于查找两个对齐的多元数据集（或视图）之间的线性（非线性）关系。
有没有办法将其扩展到两个以上的视图？我想一种方法是在树结构中递归地应用 CCA/KCCA，但这似乎效率很低。是否有一个单一的优化可以一步实现这一目标？或者有没有其他方法可以做同样的事情？
CCA/KCCA 两种以上观点
机器算法验证
多元分析
内核技巧
典型相关
2022-04-04 17:52:12
2个回答
如果超过两个“视图”实际上是指将 CCA 框架扩展到 k-blocks 数据结构，那么您可能会对
Tenenhaus, A. 和 Tenenhaus, M. (2011)。正则化广义典型相关分析。心理测量学，76（2），257-284。
相应的 R 包称为RGCCA。
这只是一个猜测。不是说CCA可以解释为如下形式的概率模型吗？
X | Z ~ N(A*Z,Psi)
是 | Z ~ N(B*Z,Φ)
其中 X 是第一个视图中的向量，Y 是第二个视图中的向量，Z 是捕获 X 和 Y 之间关系的潜在变量。Psi 和 Phi 是协方差矩阵，它吸收了 Z 未捕获的所有其余变化。 >2 意见现在很简单。
在这个框架中学习可能是 EM，但这不是很有效。CCA 的典型广义特征值计算很可能是在 2 视图情况下获得最大似然解的更有效方法，并且可能会推广到 >2 view2 设置？
其它你可能感兴趣的问题