面向多视图分类的可信统一特征-邻域动力学模型

多视图分类（MVC）由于不同视图之间的域差异和不一致性而面临固有挑战，这常常导致融合过程中的不确定性。虽然证据深度学习（EDL）在解决视图不确定性方面卓有成效，但现有方法主要依赖于Dempster-Shafer组合规则，该规则对冲突证据敏感，并且常常忽略了多视图数据中邻域结构的关键作用。为了解决这些局限性，我们提出了一种用于鲁棒MVC的可信统一特征-邻域动力学（TUNED）模型。该方法有效地整合了局部和全局特征-邻域（F-N）结构，以实现鲁棒的决策。具体来说，我们首先在每个视图内提取局部F-N结构。为了进一步缓解多视图融合中的潜在不确定性和冲突，我们采用了一个选择性马尔可夫随机场，自适应地管理跨视图邻域依赖关系。此外，我们采用了一个共享的参数化证据提取器，该提取器以局部F-N结构为条件学习全局共识，从而增强了多视图特征的全局整合。在基准数据集上的实验表明，我们的方法在准确性和鲁棒性方面优于现有方法，特别是在高不确定性和视图冲突的场景下。代码将在 https://github.com/JethroJames/TUNED 发布。