可靠的矛盾多视角学习
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
提出了一种新的多视角分类方法:可信的多视角分类,该算法动态集成不同视图的证据,以提高分类的可靠性和鲁棒性,通过将来自每个视图的证据参数化为 Dirichlet 分布并与 Dempster-Shafer 理论相结合,构建统一框架来感知和评估样本的分类不确定性。
Feb, 2021
本文介绍了多视图表示学习中的两个类别:多视图表示对齐和多视图表示融合,并从多个角度回顾了代表性的方法和理论,进而调查了多视图表示学习的发展。最终,探讨了多视图表示学习的几个重要应用,并旨在为研究人员提供深入的理论基础和最新的发展。
Oct, 2016
多视角对比聚类中的双重对比校准网络 (DealMVC) 的提出,通过融合机制获取全局交叉视图特征,借助全局和局部对比校准损失实现多视图信息的多样性利用,并通过准确的类别信息规范化特征结构,以获得不同视图中相似样本的类似特征,最终实验证明了算法的有效性和优越性。
Aug, 2023
本文提出了一种跨视角对比学习(CVCL)方法,该方法利用深度自编码器将视角相关特征提取出来,通过对多个视角下的聚类结果对比来学习视角不变性表示,并利用聚类级别的 CVCL 策略在微调阶段来探索多个视图之间的一致语义标签信息,从而能够产生更有区分度的聚类结果。实验结果表明该方法优于现有的更先进的方法。
Apr, 2023
本论文总结并分析了目前多视角聚类(MVC)方法的常见策略,并提出了一种新的 MVC 方法分类。我们进一步讨论了 MVC 与多视图表示、集成聚类、多任务聚类、多视图监督和半监督学习之间的关系,并详细阐述了几个代表性实际应用。为了推进将来 MVC 的发展,我们设想了一些可能需要进一步研究和深入考虑的开放性问题。
Dec, 2017
提出了一种基于熵约束的多视图低秩证据 c 均值(MvLRECM)方法,用于多视图数据聚类中不确定性和不精确性的表征,并通过熵加权和低秩约束来提高准确性。模型应用于多个数据集,展示了其在实验中的有效性。
Apr, 2024
本文研究了一种新的范例,称为多视类增量学习(MVCIL),旨在将单个模型应用于连续的视图流中,以增量分类新类,而无需访问早期的数据视图,其中引入了一种随机化表示学习技术进行特征提取,集成后引入选择性权重巩固,实验证明了本方法的有效性。
Jun, 2023