Reliability-aware dual graph convolutional network for multi-view learning

Chen, Hongrong

doi:10.1016/j.knosys.2026.116439

Reliability-aware dual graph convolutional network for multi-view learning

2026-06-01

1

PRE

AI

DOI：10.1016/j.knosys.2026.116439

原文链接

原文求助

摘要

En 中文

随着多媒体技术的快速发展和多源异构数据的爆炸式增长，多视角学习已引起越来越多的关注。尽管现有方法已有效建模了视角内和视角间关系，但现实场景中不可避免的噪声仍会导致视角质量不平衡，进而引发视角集成过程中的冲突，并在融合表示中引入决策偏差。为解决这些挑战，我们提出了一种可靠性感知的双图卷积网络以增强视角融合的可靠性。具体而言，我们引入了一种可靠性引导的贝叶斯推断机制来表征视角质量，并在视角证据的指导下学习跨视角的共享表示。此外，为全面捕捉视角内和视角间数据依赖关系，我们提出了双图卷积网络协同建模视角内互补性和视角间一致性，从而提升鲁棒性和整体学习稳定性。在多个基准数据集上的实验表明，所提方法在多视角半监督分类任务中具有有效性和鲁棒性。

Keyword:

Multi-view learning

Graph convolutional network

Deep generative model

Semi-supervised learning

Reliability-aware dual graph convolutional network for multi-view learning

摘要

期刊

机构

引用论文