一句话定义：多视图学习（Multi-view Learning）是指同一个对象被多种方式描述——每种描述叫一个“视图”（view）——模型在训练时同时利用多个视图，并挖掘它们之间的一致性与互补性。
打个生活化的比方。你想判断同事今天状态是不是不对，会看三样东西：脸色、说话的语速、回消息的速度。脸色是一个视图，语速是另一个。任何单独一个都可能误导你——脸色差也许只是没睡好；但如果三个信号同时指向“疲惫”，判断就可靠得多。这就是一致性：不同视图描述同一事实，彼此吻合时相互增强，冲突时相互校验、帮你去噪。互补性是另一面：语速里没有的信息，脸色里可能有。单个视图再强，也只是一个切片。
三种常见做法：
- 早期融合（early fusion）：把各视图特征拼成一个向量，喂给同一个模型。实现简单，但要求视图对齐，缺失时很麻烦。
- 晚期融合（late fusion）：每个视图各训一个模型，最后投票或加权。某个视图缺失时更稳。
- 表示层对齐：让不同视图的表示在隐空间里彼此靠近，典型相关分析（CCA）、协同训练（co-training）、以及近年用对比学习做跨视图对齐都属于这一类，目前更主流。
和相邻概念的区别：最容易混的是集成学习（ensemble learning）——集成是*同一份数据、多个模型*，多视图是*多份描述、同一个任务*。晚期融合看着像投票，但信息源头不同。另一个是多模态学习（multimodal learning）：多视图是更早、更宽的提法，早期多指同类型数据的不同特征子集（颜色、纹理、形状）；多模态通常特指异质模态（图像、文本、音频）。
| 多视图学习 | 集成学习 | 多模态学习 | |
|---|---|---|---|
| 多样性来源 | 视角不同 | 模型、采样不同 | 模态不同 |
| 信息源 | 同一对象的多份描述 | 同一份数据 | 图、文、音等异质信号 |
| 典型风险 | 视图缺失、视图不对齐 | 模型相关性过高 | 模态对齐成本高 |
对从业者的实际意义：最重要的一条是——视图缺失（missing view）是常态，并非异常。线上往往只有一部分用户有画像数据，只有一部分样本带配套传感器。设计时别假设“所有视图都在”，要让模型能降级运行。第二条：视图质量参差时，晚期融合或加权融合更保守稳妥；视图高度互补且对齐良好时，表示层对齐收益更大。具体选型还是得看自己的数据，以实验为准。
对普通人的意义：你做的每个判断其实都是多视图推断。多看一个*独立*来源，通常比在同一个来源上反复琢磨更有用——前提是它真的独立，否则只是把同一个偏差数了两遍。