无需配对数据也能学最大相关投影，UCCA首次实现非配对CCA，效果碾压近期基线！
Unpaired Canonical Correlation Analysis
📖 AI 总结
典型相关分析（CCA）是多视图共享空间学习的基础方法，但其对配对数据的严格依赖构成显著局限，因为配对数据往往难以获取甚至完全不可得。该论文提出无配对CCA（UCCA），一种在训练阶段完全不接触任何配对样本的情况下，仍能学习线性投影以最大化真实潜在配对相关性的新方法。作者首先建立了二次分配问题（QAP）与CCA之间的理论联系，并基于这些理论洞见推导出仅从无配对数据中最大化相关性的实用方法。据作者所述，UCCA是首个在严格无配对设定下学习最大相关投影的方法。在真实世界多模态数据集上的验证表明，UCCA在恢复潜在真实相关性方面显著优于近期无配对对齐基线。该工作填补了传统统计多视图学习与日益增长的无配对数据学习领域之间的关键空白，论文已被NeurIPS 2026接收。
🔑 关键词速览
| 典型相关分析 (CCA) | 一种统计方法，用于寻找两个多元变量集之间的线性组合，使它们之间的相关性最大化。 |
| 非配对CCA (UCCA) | 本文提出的新方法，能够在没有配对样本的情况下学习最大化潜在配对相关性的线性投影。 |
| 二次分配问题 (QAP) | 一个经典的组合优化问题，旨在寻找两个集合元素之间的最优匹配，以最小化或最大化某个目标函数。 |
| 多视图学习 | 机器学习的一个分支，旨在从多个不同来源或视图的数据中联合学习，以利用视图间的互补信息。 |
| 非配对数据学习 | 一种学习范式，训练数据中的样本在不同视图之间没有明确的对应关系，即没有配对信息。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅