噪声监督下的可信多视图学习

多视图学习方法通常侧重于提高决策准确性，而忽略了决策不确定性，这严重限制了它们在安全关键场景中的应用。为了解决这个问题，可信多视图学习方法通过从每个实例学习类别分布来估计预测不确定性。然而，这些方法严重依赖于高质量的真实标签。这促使我们深入探讨一个新问题：如何在噪声标签的指导下开发一个可靠的多视图学习模型？我们提出了可信多视图噪声精炼（TMNR）方法，通过建模由低质量数据特征和易混淆类别引起的标签噪声来应对这一挑战。TMNR采用证据深度神经网络构建视图特定的意见，捕捉信念和不确定性。然后，这些意见通过噪声相关矩阵进行变换，以与噪声监督对齐，其中矩阵元素受样本不确定性约束以反映标签可靠性。此外，考虑到在噪声监督下联合优化证据网络和噪声相关矩阵的挑战，我们进一步提出了可信多视图噪声再精炼（TMNR^2），通过为不同模块建立不同的训练目标来解耦这个复杂的协同训练问题。TMNR^2通过证据-标签一致性识别潜在的错误标记样本，并从邻近信息生成伪标签。通过分别将干净样本分配给优化证据网络，将噪声样本分配给指导噪声相关矩阵，TMNR^2减少了映射干扰并实现了稳定训练。实验结果表明，TMNR^2显著优于基线方法，在50%标签噪声的数据集上平均准确率提高了7%。