在许多机器学习应用程序中已经涉及到由不同功能表示的多视图数据。 在多视图学习中，有效地利用和保存多视图中相关但互补的信息仍然具有挑战性。 与分别处理每个视图的现有方法相比，我们提出了一种受监督的多视图特征学习框架，以统一的感知来处理各种视图。 具体来说，我们通过将原始特征的级联映射到有区别的低维子空间来融合多视图数据，在该低维子空间中，来自不同视图的特征会根据学习到的最佳权重进行自适应分配。 该策略可以同时保留相关信息和互补信息，进一步增强了信息的辨别力，可用于后续分类。 设计了一种有效的迭代算
