本文提出了一种新的局部多视图子空间聚类模型,该模型考虑了不同视图和样本的置信度,并通过适当地为每个视图下的每个样本分配权重,从而获得了鲁棒的一致表示,进一步在权重参数上开发了一个基于凸共轭理论的正则化器,并以自适应方式确定样本权重,使用具有收敛保证的高效迭代算法,通过四个基准上的实验结果证明了该模型的正确性和有效性。
May, 2017
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
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
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
该研究专注于非配对多视图聚类问题,提出了一种可靠视图引导的方法来解决跨视图聚类中的不确定聚类结构和样本配对关系不确定的问题,并通过对齐模块和紧凑性模块进一步优化聚类效果,实验证明该方法的优越性。
我们提出了一种名为MRG-UMC的方法,该方法利用多级聚类来学习跨视图、内视图和公共视图的可靠聚类结构,减少聚类错误和不确定性。
Jul, 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
本研究针对不完整多视图数据分类中的缺失视图问题,提出了证据深度部分多视图分类(EDP-MVC)框架。采用K均值插补法处理缺失视图,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,从而确保推理结果的可靠性。实验证明,EDP-MVC的性能不仅达到,还常常超越了现有的最先进方法。
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