基于动态证据融合的可信多视图分类

现有多视图分类算法侧重于通过利用不同视图来提升准确率，通常将其集成为公共表示以用于后续任务。尽管有效，确保多视图集成与最终决策的可靠性同样关键，尤其对于含噪、损坏及分布外数据。动态评估各视图针对不同样本的可信度可提供可靠集成。这可通过不确定性估计实现。鉴于此，我们提出一种新颖的多视图分类算法，称为可信多视图分类（TMC），通过在证据层级动态集成不同视图，为多视图学习提供新范式。所提 TMC 可通过考量各视图的证据来提升分类可靠性。具体而言，我们引入变分 Dirichlet 来刻画类概率分布，由不同视图的证据参数化，并与 Dempster-Shafer 理论相集成。该统一学习框架可导出准确的不确定性，从而赋予模型面对可能噪声或损坏时的可靠性与鲁棒性。理论与实验结果均验证了所提模型在准确率、鲁棒性与可信度上的有效性。