基于折扣融合的认知深度部分多视图分类

不完整的多视图数据分类由于现实场景中常见的视图缺失问题而面临重大挑战。尽管取得了进展，现有方法通常无法提供可靠的预测，这主要是由于缺失视图的不确定性和插补数据质量的不一致性。为了解决这些问题，我们提出了一种名为认知深度部分多视图分类的新颖框架。首先，我们使用K-means插补来处理缺失的视图，创建一组完整的的多视图数据。然而，这个插补数据中潜在的冲突和不确定性可能会影响下游推理的可靠性。为了管理这一点，我们引入了一个冲突感知的认知融合网络，该网络根据证据的可靠性动态调整，确保可信的折扣融合并产生可靠的推理结果。在各种基准数据集上的全面实验表明，认知深度部分多视图分类不仅匹配，而且通常超越了最先进方法的性能。