---
title: "多視角學習（Multi-view Learning）"
slug: multi-view-learning
language: zh-TW
source: https://aiterms.tw/terms/multi-view-learning
updated_at: 2026-06-23
tags: [多模態AI, 半監督學習, 表示學習, 聚類, 協同學習]
ipas_term: false
---

# 多視角學習（Multi-view Learning）

利用同一對象的多個不同視角或特徵表示進行機器學習，並從多視角中提取一致性信息以提升模型性能。

## 完整說明

多視角學習（Multi-view Learning）是指在一個機器學習問題中，同一對象或樣本可以從多個視角（Views）或特徵子集進行表示與觀察。例如，一個網頁可從文本內容、超連結結構、使用者點擊行為三個視角分析；一個視頻可從視覺內容、音訊信息、字幕文本三個視角分析。多視角學習的核心思想是充分利用多視角之間的一致性與互補性，提升學習效果。

## 常見問題

### 多視角學習和多模態學習有什麼區別？能互通嗎？

多模態學習專指使用不同數據模態（文本、影像、音訊等），例如圖像+文本的對齊學習是多模態；多視角學習更廣義，可以指同一模態的多個特徵子集（如同一文本的詞向量視角與語法視角），也可指多模態。概念上多視角包含多模態。實務中，這兩個術語在實現和應用上有重疊，例如多模態融合（CLIP 圖文對齊）本質也可理解為多視角的特例。

### Co-training 為什麼能在少標注數據情況下有效？

Co-training 利用了『多視角分布假設』（Multi-view Sufficient Assumption）：假設單個視角足以進行分類，且兩個視角條件獨立。基於這個假設，若兩個分類器在某個無標注樣本上都給出高置信度預測，則那個樣本很可能被正確分類。Co-training 的核心是：視角 1 的分類器標注視角 2 最難的樣本，視角 2 的分類器標注視角 1 最難的樣本，相當於讓彼此的弱點得到補強。這種『互相幫助』的機制能有效利用無標注數據，在真實應用中（如網頁分類：內容詞 + 超連結詞）表現很好。

### 如果有一個視角品質遠低於其他視角怎麼處理？

可用權重學習與動態融合方法：第一，基於各視角在驗證集上的性能給予不同的權重，品質低的視角權重更小；第二，使用基於專家的混合（Mixture of Experts），讓模型在訓練中學習一個軟權重（Soft Weight），使不可靠視角自動被降權；第三，如果某視角品質太低以至於有害，可考慮直接去掉，保留高品質視角；第四，對低品質視角進行特別的正則化或魯棒性改進。多視角學習不是一定要用所有視角，而是要充分考慮各視角的品質與可信度。

---

來源：https://aiterms.tw/terms/multi-view-learning
快查頁：https://aiterms.tw/terms/multi-view-learning
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-multi-view-learning