块增量典型相关分析

来源：计算机科学与探索杂志2022年第8期北京时间：

作者：潘玉, 陈晓红, 李舜酩, 李纪永

单位：1. 南京航空航天大学 理学院，南京 211106；2. 南京航空航天大学 能源与动力学院，南京 211106；3. 四川航天中天动力装备有限责任公司，成都 610100

摘要：增量学习是处理大规模动态流数据的重要技术，在机器学习领域得到广泛应用。已有众多学者将其与降维方法相结合得到增量式降维算法，其中增量典型相关分析（ICCA）是典型相关分析（CCA）的增量式改进版本，可有效处理多视图的高维数据流降维问题。由于ICCA每次只利用单对样本更新投影向量，每新增一对样本均需更新一次投影向量，导致该算法比较耗时。为了提高算法的效率，提出了块增量典型相关分析（CICCA）算法。该算法无需计算样本协方差矩阵，直接将数据流按批处理，每次利用新增的批样本信息对上一步投影向量进行修正更新，从而得到主投影向量。进一步，在投影向量的正交补空间中计算其他投影向量，进而将原始高维的多视图数据投影到低维空间。在人工数据集和真实数据集上的实验结果表明，该算法提取低维特征的分类性能与CCA、ICCA相当，但训练时间大幅度减少。

关键词：典型相关分析（CCA）,数据降维,增量学习,多视图分类

基金资助：国家自然科学基金(11971231);国家自然科学基金(12111530001);国家重点研发计划(2018YFB2003300)