未提供项目说明
cca-zoo的Python项目详细描述
典型相关分析方法：cca动物园
CCA，GCCA（广义CCA），MCCA（多集CCA），DCCA（Deep CCA），DGCCA（深广义CCA），DMCCA（深多集CCA），DVCCA（深变分CCA），DCCAE（深正则相关自编码器），KCCA（核CCA）和正则化变量
文档位于https://cca-zoo.readthedocs.io/en/latest/
可使用pip安装cca-zoo
最近通过非线性正交迭代（https://arxiv.org/pdf/1510.02054.pdf）
以下是方法汇编： -CCA（各种实现） -RCCA（山脊惩罚） -稀疏CCA（Witten/Parkhomenko，Waaijenborg） -核心CCA（例如Hardoon） -基于非线性正交迭代的深度CCA（Andrew）和DCCA（Wang） -深正则相关自动编码器（王） -深变分CCA与深变分CCA峈private（王）
感谢@VahidooX，@MichaelVll@Arminarj，所有模型都在MNIST数据集的嘈杂版本上进行评估。列车/验证/测试分割是MNIST的原始分割。在
您可以从noisymnist_view1.gz和noisymnist_view2.gz下载它们
DCCAE只是一个从潜在空间重构网络并附加重构损失的DCCA。因此，我在单个模型中实现了DCCA和DCCAE，其中参数加权重建损失（即DCCA情况下为0）
DVCCA（外行的说法！）可以理解为一个具有3个丢失项的编解码器：一个确保良好的编码（这是编码和N（0,1）高斯之间的K-L散度），和两个确保从潜在变量到原始视图的良好重建。在
如果你熟悉变分自动编码器，你会注意到其中三分之二的损失是相同的，为第二视图设置了额外的重建项。在
DVCCA_private通过添加私有潜在变量来扩展DVCCA。这给了我们2个额外的损失项，确保了每个视图的私有信息的“良好”编码（编码与N（0,1）高斯函数之间的KL散度）。在
DCCA/DCCAE的其他实现：
从@VahidooX的github页面（https://github.com/VahidooX）实现DCCA的Keras 下面是MATLAB和C++中DCCA的其他实现。这些代码由原论文的作者编写：
@MichaelVll&；@Arminarj:https://github.com/Michaelvll/DeepCCA的DCCA火炬实现
Galen Andrew网站（https://homes.cs.washington.edu/~galen/）的DCCA C++实现王伟然网站（http://ttic.uchicago.edu/~wwang5/dccae.html）中DCCA/DCCAE的MATLAB实现
VAE的实施：
VAE（https://github.com/pytorch/examples/tree/master/vae）的Torch实现
稀疏PLS的实现：
@jmmontiro（https://github.com/jmmonteiro/spls）实现SPLS的MATLAB实现
- 项目
标签：
欢迎加入QQ群-->： 979659372
