面向长尾分类的可信多视图学习
机器学习
2025-11-13 v1
摘要
类别不平衡问题在单视图场景中已得到广泛研究;然而在多视图情境下解决这一挑战仍是开放问题，甚至更少有研究关注可信解方案。本文针对多视图场景下的一个尤其具挑战性的类别不平衡问题——长尾分类，提出了 TMLC（Trusted Multi-view Long-tailed Classification）框架。在两个关键方面作出贡献：意见聚合与伪数据生成。具体而言，灵感来源于社会身份理论，我们设计了基于群体共识意见聚合机制，以多数群体偏好为导向指导决策。在伪数据生成方面，我们引入新型距离度量以适配多视图场景的 SMOTE，并开发不确定性引导的数据生成模块，产生高质量伪数据，有效缓解类别不平衡的不利影响。在长尾多视图数据集上的大量实验表明，我们的模型能够实现卓越的性能。代码已发布于 https://github.com/cncq-tang/TMLC。
关键词
引用
@article{arxiv.2511.09138,
title = {Trusted Multi-view Learning for Long-tailed Classification},
author = {Chuanqing Tang and Yifei Shi and Guanghao Lin and Lei Xing and Long Shi},
journal= {arXiv preprint arXiv:2511.09138},
year = {2025}
}
备注
This paper has been accepted to AAAI2026