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

提出了一种新的框架 Aligned Canonical Correlation Analysis (ACCA)，通过迭代地解决对齐和多视角嵌入，解决了多数实际情况中需要的传统方法中不清晰的各种数据视角之间的对齐问题。

Dec, 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

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

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

本文介绍了经典相关分析如何通过正则化、核、和稀疏等不同变体实现对变量集对之间的关系的研究。同时作者提供了数值例子，希望这篇文章成为数据分析人员使用经典相关方法的实用工具。

Nov, 2017

本文介绍了一种名为 L-CCA 的迭代算法，可在巨大的稀疏数据集上快速计算 CCA，同时建立了 L-CCA 的渐近收敛和有限时间准确性理论。实验结果表明，在两个真实数据集上，L-CCA 的表现优于其他快速 CCA 近似方案。

Jul, 2014

通过深度典型相关分析 (DCCA) 找出可以最真实地从一种数据视角推导出的特征，进而构建出一非参数隐含联合概率分布的经典版本，以求解贝叶斯估算和标准偏差，并测试其在 OCCLUD MNIST 图像推理和监督学习中的可行性和效率，同时探索了发现单个数据集中显著的独立变量的可能性。

Apr, 2019