用于异构传感器融合的多视图共形学习

评估机器学习模型中单个预测的置信度对于决策场景至关重要，特别是在医疗诊断、安防和无人驾驶车辆等关键应用中。近年来，复杂预测模型在解决困难任务方面取得了巨大成功，新方法层出不穷。然而，大多数机器学习模型的新进展侧重于提高整体性能，较少致力于评估单个预测的可信度，而在传感器融合背景下更是少之又少。为此，我们构建并测试了用于异构传感器融合的多视图和单视图共形模型。由于我们的模型基于共形预测框架，因此提供了理论上的边缘置信度保证。我们还提出了一种基于集合交集的多视图半共形模型。通过全面的实验，我们表明多视图模型不仅在基于准确率的性能指标上（正如先前多项工作所示）优于单视图模型，而且在提供不确定性估计的共形度量上也表现更佳。我们的结果还显示，与单视图模型相比，多视图模型生成的预测集具有更低的不确定性。