无配对样本的典型相关分析

典型相关分析（CCA）是多视图共享空间学习的基本方法。然而，它对配对数据的严格依赖带来了很大的限制，因为此类数据通常很难获得或完全不可用。在本文中，我们提出了 Unpaired CCA (UCCA)，这是一种新颖的方法，可以学习线性投影以最大化真实底层配对的相关性，而无需在训练期间访问任何配对样本。我们首先建立了将二次分配问题 (QAP) 与 CCA 连接起来的理论结果。利用这些理论见解，我们得出了一种实用方法，可以专门从不配对的数据中最大化相关性。据我们所知，UCCA 是第一种在严格不配对的环境中学习最大相关投影的方法。我们在现实世界的多模态数据集上验证了 UCCA，证明它在恢复潜在的真实相关性方面显着优于最近的未配对对齐基线。这项工作填补了传统统计多视图学习与不断增长的不成对领域之间的关键差距 数据学习。