解决冲突是使多视角分类决策更可靠的关键，现有的基于信任的框架无法适应不同视角之间可能出现的冲突，因此我们开发了一种计算信任的折扣方法来增强现有的框架，通过考虑实例级概率敏感的信任折扣机制，对个体视角的预测进行融合以提高可靠性，在真实应用中的六个数据集上验证了我们的方法，使用了 Top-1 准确率、AUC-ROC 用于不确定性感知预测、Fleiss' Kappa 以及考虑了基准真实标签的新指标 Multi-View 一致性，实验结果表明，计算机信任可以有效解决冲突，为更可靠的多视角分类模型铺平了道路。

Jun, 2024

本文提出了一种新的概率多视图学习算法，利用视图间的随机一致性作为正则化，该算法在结构化和非结构化问题上工作，并容易推广到部分一致情况，其中在完全一致情况下，我们的算法最小化每个视图模型之间的 Bhattacharyya 距离，并在几个平面和结构化分类问题上表现优越。

Jun, 2012

提出了一种可靠性冲突多视图学习 (RCML) 问题，并提出了 Evidential Conflictive Multi-view Learning (ECML) 方法，该方法首先学习视图特定证据，然后构建视图特定观点，最后在多视图融合阶段提出了冲突观点聚合策略。实验证实了 ECML 的有效性。

Feb, 2024

通过引入噪音标签，我们提出了一种可靠的多视图学习方法，该方法能够学习每个实例的类分布，估计分类概率和不确定性，并且在准确性、可靠性和鲁棒性方面优于基线方法。

Apr, 2024

本研究提出了一种新的无监督多视图学习方法，DUA-Nets，通过估计数据不确定性并加权不同视图，以便更好地捕捉动态噪声和提高数据质量，实现了对多种噪声数据的鲁棒性性能提升。

Jan, 2022

这篇论文研究不同视角之间的关联性对于对比学习在无监督和半监督任务中的重要性，并提出通过减少视角之间的互信息来学习有效的视角以提高下游任务的准确性。同时，作者在 ImageNet 分类和 PASCAL VOC 目标检测以及 COCO 实例分割任务上通过对比实验展示了他们提出方法的高效性。

May, 2020

本文提出了多种有效的多视角学习方法，并将它们分为三类：共同训练，多核学习和子空间学习，并利用共识原则或互补原则来确保多视角学习的成功。

Apr, 2013

本文提出一种新的对抗噪声视图具有鲁棒性的对比损失函数，它在图像、视频和图形上的对比学习基准测试中提供了一致的改进，并且是模态无关和与 InfoNCE 损失的一个简单替代方法。

Jan, 2022

使用 BiGAN 模型，提出了一种多视图 BiGAN（MV-BiGAN）模型，可以从多个视图输入中执行密度估计，并且可以处理缺失视图并在提供额外视图时更新其预测。

Nov, 2016

本文研究了一个强大的表示形式，该表示形式对场景的多视图和不完整信息进行建模，通过多视图对比学习来提取多个视角得到的公共信息，该方法优于基于视图交叉预测的选择，经过检验实现了最先进的图像和视频无监督学习基准结果。

Jun, 2019