在大数据时代,我们可以轻松地从可能来自不同来源或功能子集的多个视图访问信息。 通常,不同的视图为学习任务提供补充信息。 因此,多视图学习可以促进学习过程,并且在广泛的应用领域中很普遍。 例如,在医学科学中,记录了针对每个受试者的一系列医学检查的测量结果,包括从多种来源获得的临床,影像学,免疫学,血清学和认知测量。 具体来说,对于大脑诊断,我们可以进行不同的定量分析,可以将其视为对象的不同特征子集。 期望以有效的方式组合所有这些特征以进行疾病诊断。 但是,一些不太相关的医学检查得出的测量结果可能会引入不相关的信息,甚至在视图组合后也会被夸大。 因此,特征选择应纳入多视图学习的过程中。 在本文中,我们探索了张量积,以在联合空间中将不同的视图组合在一起,并基于支持向量机递归特征消除的思想,提出了一种基于张量的多视图特征选择DUAL-TMFS的双重方法。 对来自神经系统疾病的数据集进行的实验表明,我们提出的方法选择的特征具有更好的分类性能,并且与疾病诊断有关。