证据深度部分多视图分类与折扣融合
提出跨部分多视角网络(CPM-Nets)框架,通过模拟数据传输实现多视角表征的完整性,并通过对抗策略稳定地翻译丢失视图的代价与补充性进行结构化编码,进一步增强数据的完整性,同时引入非参数分类损失,以防止过度拟合。全面实验证明了该算法在分级识别、表示学习和数据填充方面的优越性。
Nov, 2020
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
提出了一个基于不确定性的不完整多视图数据分类模型,通过构建分布来捕捉丢失视图的不确定性,并根据采样质量自适应利用它们来实现更明显的数据填充和可控融合,使用证据融合策略来保证集成填充视图的可靠性和性能,多个基准数据集的实验证明了该方法的优越性。
Apr, 2023
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
提出了一种基于主观逻辑的超证据神经网络(HENN)框架,用于处理具有相似视觉特征的不同类别之间辨别困难的多类别分类问题,并引入了一种新的不确定性类型(模糊不确定性)来量化深度神经网络的复合分类不确定性,并在四个图像数据集上证明了此框架优于现有的对应方法。
Apr, 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
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
本研究针对不完整多视图数据分类所面临的挑战,提出了一种新的框架——证据深度部分多视图分类(EDP-MVC)。该方法通过K均值插补来处理缺失视图,并引入冲突感知证据融合网络(CAEFN)以动态调整证据的可靠性,最终显著提高了推断结果的可靠性。实验结果显示,EDP-MVC的表现不仅与最先进的方法相匹配,还经常超越这些方法。
Aug, 2024
本研究解决了多视角分类中由领域差异和视角不一致导致的融合过程不确定性问题。提出的可信统一特征-邻域动态(TUNED)模型通过有效整合局部和全局特征邻域结构,提升了决策的鲁棒性,并在高不确定性和视角冲突场景下,实验结果表明其准确性和稳定性显著优于现有方法。
Sep, 2024
本文解决了多视图分类中处理不完整数据的挑战,传统插补方法常导致偏差,影响不确定性估计。我们提出的交替渐进学习网络(APLN)通过先进行粗插补,然后在潜在空间中逐步学习与目标域一致的证据分布,有效缓解了这一问题,尤其在高度不确定和证据冲突的环境中表现优异。
Sep, 2024