可信多视图分类

多视图分类（MVC）通常侧重于利用不同视图的信息来提高分类精度，一般将其整合为统一的综合表示用于下游任务。然而，针对不同样本动态评估视图质量以提供可靠的不确定性估计同样至关重要，这些估计指示预测是否可信。为此，我们提出一种新颖的多视图分类方法，称为可信多视图分类（trusted multi-view classification），它通过在不同视图的证据层面上动态整合视图，为多视图学习提供了新范式。该算法通过整合各视图的证据，联合利用多个视图来提升分类的可靠性和鲁棒性。为此，使用狄利克雷分布对类概率的分布进行建模，由不同视图的证据参数化，并与 Dempster-Shafer 理论相结合。该统一学习框架产生准确的不确定性，并相应赋予模型对分布外样本的可靠性和鲁棒性。大量实验结果验证了所提模型在准确性、可靠性和鲁棒性方面的有效性。