面向不完整多视图分类的不确定性探索与利用

由于任意视图缺失在现实应用中广泛存在，对不完整多视图数据进行分类不可避免。尽管已取得很大进展，现有不完整多视图方法仍难以获得可信预测，因为缺失视图具有相对较高的不确定性本质。首先，缺失视图不确定性高，因此给出单一的确定性填补并不合理。其次，填补数据本身的质量也具有高不确定性。为探索并利用该不确定性，我们提出一种不确定性诱导的不完整多视图数据分类（UIMC）模型，在稳定可靠的框架下对不完整多视图数据进行分类。我们构建分布并多次采样以刻画缺失视图的不确定性，并根据采样质量自适应地加以利用。相应地，所提方法实现了更具可感知性的填补与可控的融合。具体而言，我们以基于可用视图的条件分布对每个缺失数据建模，从而引入不确定性。随后采用基于证据的融合策略，以保证填补视图的可信集成。在多个基准数据集上的大量实验表明，该方法在性能与可信度方面均建立了最先进的水平。