- ICML用多边匹配差异对比多重表示
复杂对象的多视图学习中，多极值匹配缺口 (M3G) 是一种损失函数，它从多极值最优输运 (MM-OT) 理论中借用工具，同时结合所有视图，并在自我监督和多模态任务中展示了比成对损失更好的性能。
- MERIT: 可靠且可解释的肝纤维化分级的多视图证据学习
该研究提出了一种基于证据学习的多视角方法（MERIT），具备对预测结果不确定性的量化和可解释性，对于肝纤维化分期决策过程中每个视角的重要性提供了阐明。
- 掩膜式两通道解耦框架用于不完整多视图弱多标签学习
提出了一种基于深度神经网络的掩码两通道解耦框架，用于解决复杂而高度逼真的不完全多视角弱多标签学习任务，核心创新在于将深度多视学习方法中的单通道视图级表示解耦为共享表示和视图专有表示，并设计了交叉通道对比损失以增强两个通道的语义属性。此外，利 - IJCAI带有标签噪音的可信多视图学习
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。
- 全球遥感数据下作物分类的最佳多视角学习模型的研究
通过多视图学习方法，研究了作物分类问题，探讨了不同融合策略和编码器结构对全球范围农田和作物类型分类任务的影响，并提供了一个技术框架，用于帮助研究者探索作物分类或相关任务。
- AAAI可靠的矛盾多视角学习
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 - 可扩展多视图聚类通过显式核特征映射
在本文中，我们引入了一个新的多视图子空间聚类的可扩展性框架，并提出了一种有效的优化策略，利用核特征映射来减少计算负担，同时保持良好的聚类性能。该算法的可扩展性意味着它可以应用于包含数百万数据点的大规模数据集，并在几分钟内使用标准机器完成。我 - 多视角遥感数据的自适应融合用于最佳子区域作物产量预测
利用多视角学习方法和多视图门控融合模型 (MVGF)，本研究预测不同作物和地区的农作物产量，数据源包括 Sentinel-2 卫星的多光谱光学图像和作物生长季节的气象数据，以及土壤特性和地形信息等静态特征，实验结果表明 MVGF 模型相较于 - 使用解剖多视角数据进行非图像表型可解释预测的深度网络
我们研究了应用多视图方法改进非成像表型预测的机器学习方法，通过解释性的多视图网络（EMV-Net）利用不同解剖视图提取特征来提高预测性能。
- 多视角学习的 PAC-Bayesian 领域自适应边界
该论文在多视角学习环境中提出了一系列关于域适应的新结果，通过 Pac-Bayesian 理论分析泛化边界，结合了之前将多视角整合到域适应中所忽视的两种范式，并构建了一种适用于多视角域适应的新型距离，最后将新边界与之前的研究进行了对比。
- CCA Family 的高效算法：无约束目标与无偏梯度
基于对 CCA 目标的随机梯度下降方法，提出了一种快速的多视图学习算法，能够在大规模数据中同时达到较快的收敛速度和更高的相关性，并能够在生物医学数据集和自我监督学习任务中取得卓越的表现。
- TCGF：多视图表示学习的统一张量共识图框架
本文提出了一种名为 Tensorized Consensus Graph Framework（TCGF）的通用多视图表示学习框架，旨在克服多视图学习领域中现有模型的局限性，融合多个视图的关键信息，提高泛化性能。实验证明，TCGF 在多个不同 - 用可神经映射的模型接近人类 3D 形状感知
了解人类对 3D 形状的推断在神经可映射计算架构中的基础，并强调未来研究的重要问题。
- 实验物理的可解释的多视角深度网络方法
本文提出了不同的多视角架构用于视觉领域，并介绍了一种解释这些模型的方法。通过实验结果，展示了准确架构选择对于泡沫样本质量分类的改善，并呈现了性能和可解释性之间的权衡。具体而言，我们证明了我们的方法能够解释单个单视角模型，从而增强了整体多视图 - 多视角融合学习在作物分类中的比较评价
通过对多个数据集进行比较，本研究评估了多种融合策略对农作物分类的影响，发现多视角融合方法能够超越单个视角和先前的融合方法，在选择融合方法时提出了初步的标准。
- 一种可靠且易解释的多视角学习的肝纤维化分期框架
本研究提出一种基于多视角学习的深度学习方法，利用肝脏的多个子区域来提取更丰富的特征，使用主观逻辑来评估不确定性并应用 Dempster-Shafer 证据理论的明确组合规则来提高预测的准确性，通过在增强 MRI 数据上的评估结果发现，本方法 - CVPR2023 年 MultiEarth 森林砍伐挑战 ——FOREVER 团队
通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。
- 多视角类别增量学习
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。
- 带有完全不完整信息的语义不变多视角聚类
提出一种不需要成对样本的多视角聚类框架 SMILE，通过发现在不同视角的显著语义分布密度不变性来解决有关缺失信息的问题，从而实现了对不完整对应和不完整实例的聚类，并取得了显著的表现.
- CVPR孪生 DETR
本文提出了一种用于 Transformer 架构中 Siamese 自监督预训练的方法，通过多视角学习框架同步进行定位和区分，设计了两种自监督的预训练任务：多视区域检测和多视语义区分。