独立估计的视图不确定性是否可比较？面向可信多视图分类的统一路由

可信多视图分类通常依赖于视图级证据融合过程：每个视图独立生成类别证据和不确定性，最终通过聚合这些独立意见获得预测结果。虽然这种设计是模块化且具备不确定性感知能力的，但它隐含地假设来自不同视图的证据在数值上是可比较的。实际中，这一假设脆弱。不同视图在特征空间、噪声水平和语义粒度上常有差异，而独立训练的分支仅针对预测正确性进行优化，不受任何约束以确保跨视图证据强度的一致性。结果是，用于融合的不确定性可能被分支特定的尺度偏差所主导，而非真正的样本可靠性。为解决此问题，我们提出可信多视图学习与统一路由（TMUR），其将视图特定的证据提取与融合仲裁解耦。TMUR 使用视图私有专家和一个协作专家，采用统一路由器观察全局多视图上下文以生成样本级专家权重。软负载平衡和多样性正则化进一步鼓励专家使用的均衡和更具辨识度的专家专业化。我们还提供理论分析，说明为何独立的证据监督无法识别常见的跨视图证据尺度，而为何在可靠性随样本而异时，统一的全局路由优于分支局部仲裁。