提出了 Deep Generalized Canonical Correlation Analysis (DGCCA) 方法，通过学习非线性变换最大化信息关联，结合非线性（深度）表示学习的灵活性与多个独立来源视图的信息统计力量，通过在两个不同数据集上的三个下游任务训练，成功击败了已有的标准线性多视图技术，在语音转录和 Twitter 用户的 hashtag 推荐等方面表现更好。

Feb, 2017

本文介绍了一种名为 “深度变分典型相关分析” 的深度多视图学习模型，它通过深度神经网络对非线性观测模型进行参数化，扩展了线性 CCA 的潜变量模型解释。同时，我们还提出了一种名为 “VCCA-private” 的 VCCA 变体，它可以在提取共享变量的基础上，提取每个视图内的 “私有变量”，在没有硬指导的情况下分离多视图数据的共享信息和私有信息。实际数据集的实验结果表明，我们的方法在各个领域都具有竞争力。

Oct, 2016

本研究介绍了一种名为张量 CCA (TCCA) 的多视角学习方法，它可以处理任意数目的视角的数据。通过分析不同视角的协方差张量，TCCA 试图直接最大化多个 (超过两个) 视角的典型相关性，并探索了容易被忽略的高阶统计数据量，可以通过最小化数据协方差张量的最佳秩 1 近似值来解决。

Feb, 2015

本研究采用特征值分解解决非参数正相关分析问题，通过数据估计种群密度，降低计算负担，提高非参数 CCA 的性能，同时提出了部分线性 CCA 算法用于处理单个视图的线性投影问题。

Nov, 2015

基于对 CCA 目标的随机梯度下降方法，提出了一种快速的多视图学习算法，能够在大规模数据中同时达到较快的收敛速度和更高的相关性，并能够在生物医学数据集和自我监督学习任务中取得卓越的表现。

Oct, 2023

本文提出了一种基于最小二乘法的稀疏凸框架解决典型相关分析（CCA）的新方法，特别关注了在第一个视图中使用原始表示而在第二个视图中使用对偶表示的情形，展示了该方法在英语 - 法语和英语 - 西班牙语配对语料库中的 Mate-Retrieval 任务上的应用，表明当原始特征数较大时，Sparse CCA 优于 Kernel CCA。

Aug, 2009

该论文提出了一种针对大规模 CCA 问题的可扩展和内存高效的增量近似梯度（AppGrad）方案，该方案仅涉及宽度为 k 的瘦矩阵和尺寸为 k * k 的小矩阵分解，具有更优秀的存储复杂性和可拓展性，并可用于实时处理。

Jun, 2015

探索多个观测随机向量之间的潜在共变性的经典统计方法 —— 典型相关分析 (CCA) 以及其扩展和变化在发现多视图数据集中的共同随机因素方面的能力。该研究设计了一种新颖高效的模型，适用于典型相关分析的深度扩展，并克服了现有方法的局限性，将私有组件建模为在给定共同组件的条件下条件独立，从而提供了一种更紧凑的表述形式。通过合成数据和实际数据的实验验证了我们的结论和方法的有效性。

Dec, 2023

本文提出了一种基于小批量迭代求解 CCA 目标的深度神经网络扩展模型 Deep CCA，用于解决随机优化的问题。结果表明，该模型达到了与先前优化器相同的性能，且减轻了内存需求。

Oct, 2015

本文介绍了一种双向神经网络架构，该架构通过使用欧几里得损失将两个数据源的向量进行匹配，并演示了在 MNIST 图像匹配和 Flickr8k、Flickr30k 和 COCO 数据集上的计算机视觉匹配任务中的最新结果。

Aug, 2016