本文提出了一种新型的基于WGAN的evidential neural network(WENN)，通过在模型训练中进行多维不确定性建模，增强了OOD检测的性能，从而在绝大多数数据集上优于对手模型。

Dec, 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

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

本文提出TEDL Two-stage Learning方法，基于Dempster-Shafer理论，用来量化深度学习模型在分类任务中的不确定性，通过实验表明，TEDL与交叉熵相结合、替换ReLU为ELU可以提高稳定性和AUC。

Sep, 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

本文介绍了一种结合深度学习和Dempster-Shafer理论的新方法，即证据回归网络(ERN)，用于预测目标并量化相关不确定性。通过理论分析，我们发现一种限制模型性能的约束，并引入一种改进方法以克服此限制。我们探索了ERN并提出了一种新的正则化项，使ERN能够从整个训练集中学习。大量实验证实了我们的理论发现，并证明了所提出解决方案的有效性。

Jan, 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。

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