多视角表征方法分类详解：对齐、融合、特征、子空间和图方法

多视角表征方法可以分为多视角表征对齐和多视角表征融合，还可以将其分为基于特征的方法、基于子空间的方法和基于图的方法等。

'多视角表征对齐' 的基本思想是将来自不同视角的数据进行对齐，使其在同一特征空间中表示，进而进行融合和分析。对齐方法包括：1) 降维方法，如主成分分析 (PCA)、线性判别分析 (LDA) 等；2) 对齐方法，如最大方差匹配 (MVM)、对角线对齐 (DA) 等；3) 迁移学习方法，如领域自适应 (DA) 和领域迁移 (DT) 等。

'多视角表征融合' 的基本思想是将不同视角下的特征进行融合，得到更全面、准确的表征结果。融合方法包括：1) 加权平均方法，如简单加权平均 (SWA)、加权主成分分析 (WPCA) 等；2) 特征选择方法，如相似度加权特征选择 (SWFS)、特征投票选择 (FVS) 等；3) 低秩分解方法，如矩阵分解 (MF)、张量分解 (TF) 等。

'基于特征的方法' 是通过提取不同视角下的特征来对数据进行表征；'基于子空间的方法' 是将数据投影到不同的子空间中进行表征；'基于图的方法' 是利用图结构对多视角数据进行表征。