本周6看了CCF-AI走進高校系列報告，在看天津大學張長青副教授做多視圖學習報告時。在提問環節，其中有一個有意思的問題。多視圖與多模態有什么區別？傳統的機器學習一般而言基于單視圖建模分析，也有學者稱多視圖為多模態。下面說一下筆者自己的理解，僅當了解，無論對錯。

先看一下大佬的回答：

這個問題是深圳大學王熙照教授提出的。王老師以一個深圳大學博士生畢業生答案進行側面回答：多個傳感器獲取到的數據是多模態，而單個傳感器在不同位置獲取到的數據是多視圖的。

張老師的回答：多視圖包含多模態，多視圖更接近機器學習，更抽象。多模態更接近于應用，與實際的某一個應用結合。

自己理解：

? ?一般而言，它們之間是沒有很大的區別，在很多地方都可以互換，如多視圖多聚類，多視圖多示例多標記學習或者多模態多示例多標記學習。如果要爭一個高低，我更偏向于張老師這邊答案，但和而不同。

最近在調研表示學習，我從這個角度解釋二者區別，大家理解起來可能會更深入一點。在表示學習中，Graph embeding 和Network embeding （既圖嵌入和網絡嵌入）很多時候也被大家所混用，正如多視圖與多模態。思考一個問題，為什么在學習計算機專業課程《數據結構》時，介紹了Graph結構而沒有network結構？ 因為Graph是對實際的抽象，是一種抽象。而我們在談網絡時，一般都會說XX網絡，如社交網絡，引文網絡等等。然后用圖這種抽象結構或者說技術對實際的網絡進行建模分析。

? ? 接著說Graph embeding 和Network embeding 的區別。Graph embeding目的在于降維，學習到的低維嵌入能夠重構，既恢復到原來的’數據形式‘。而Network embeding要求不僅能重構，還能做一些推斷任務，如節點分類，鏈接預測，社區發現等等。

? ?那么如何運用Graph embeding 和Network embeding的思維分析多視圖與多模態的區別呢？ 多視圖更偏向于‘數據結構’，既更抽象，更方便建模分析，既面向數據結構，是一種機器學習范式。而多模態更偏向于解決方案，實際應用，既面向求解，是一種具體的求解方案。

上述僅為一家之言，如有理解不當地方，多多包含（圖侵，聯系刪）。

總結

以上是生活随笔為你收集整理的多视图与多模态之争的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。