基于解耦变分自编码器的多视图表示学习

为了高效利用多视图数据之间的一致性和互补性信息,提出了一种多视图解耦的变分自编码器(MVDVAE,Multi-View Disentangled Variational Auto-Encoder)模型。该模型针对一致性信息提出了一种基于变分自编码器(VAE,Variational Auto-Encoder)的分布对齐和加权融合策略,可以达到视图间共有信息的一致性;其次,为了保留各视图的特有信息以及解耦一致性和互补性,提出了强化重建损失,去保留采样后的互补性信息。实验结果表明,该模型相较于其他方法在三个真实数据集上都有较大的提升。