我们在做问题的分析的时候，往往会掌握多于一维的数据。比如，看电影的时候我们同时接收到了声音和图像的数据，又比如颜色信息往往包括了RGB三个通道的数据，再比如做实验的时候我们往往会用到多个设备而不同设备的数据反映了实验现象的不同侧面，但我们分析的时候缺乏综合的手段。模型融合和跨通道耦合正是提供了一种有力的思想，让我们面对多维数据可以有效加以整合。
做法是：我们应对不同通道的数据分别建立模型加以描述，然后通过映射来集成不同通道的信息建立分析模型。通过比较对不同通道的映射关系（投影模式）来发现那些隐藏信息，比如进行分类。下图就是一个跨通道模式的例子，左右两图代表了不同的通道中的数据，同一类数据在不同的通道里显示了相近的映射模式。
图1 跨通道融合中的知识发现
通过整合，我们就具有了一个上帝视角，可以看到现象的多个方面，比单通道内的数据分析增加了不同维度的信息，更有助于发现潜在规则。（这个思想与Boosting很像，但是它是针对数据本身而不是解决方案的。）
分享到:
閱讀更多 老郭講算法 的文章
