.png){kind=icon}
返回
Robust Trusted Conflictive Multiview Collaborative Contrastive Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2026.3663788.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管多视图学习方法已被广泛研究，但它们大多关注提高准确性而忽略了决策不确定性。在现实世界中，多视图数据常遇到错配问题，导致冲突实例并进一步限制这些方法在安全关键领域的应用。近期，一些工作通过估计决策不确定性来提升多视图学习方法的可靠性，但大多数方法因无法处理冲突实例而导致性能下降。为解决此问题，我们提出了一种鲁棒可信冲突多视图协同对比学习（RCMCL）方法，该方法增强了模型在冲突多视图场景下的鲁棒性和泛化能力。具体而言，RCMCL首先使用证据深度神经网络构建视图特定的意见，然后采用基于不谐的证据对比学习来增强不同视图间意见的一致性。随后，RCMCL对一致证据和互补证据进行协同学习。它首先引入空缺度到互补证据中以提取更多有用信息，然后采用类别级对比学习来分离一致证据和互补证据。此外，将一致证据和互补证据结合以做出联合决策。最后，在八个基准数据集上的实验结果验证了RCMCL相对于当前最优方法的优越性。
Keyword:
Multiview learning
conflictive multiview classification
contrastive learning
uncertainty estimation
期刊
IF:
18.6
论文数:
1.0K
被引数:
9.8W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
An adaptive dropout approach for high-dimensional bayesian optimization一种自适应 Dropout 方法用于高维贝叶斯优化
PREAI
分享收藏分享收藏
查看更多内容