Exploring and Exploiting Uncertainty for Incomplete Multi-View Classification

要約

タイトル：未完全なマルチビュー分類の不確実性の探索と利用

要約：
– 実世界のアプリケーションでは、任意のビューが欠けることが多いため、未完全なマルチビューデータの分類は必然的である。
– 既存の未完全なマルチビューの分類方法があるが、ビューの欠落の不確実性が比較的高いため、信頼できる予測を得ることは依然として困難である。
– 不確実性を探索し利用するために、証拠に基づく融合戦略が用いられ、信頼できる統合を保証する。
– 提案手法は、ベンチマークデータセットでの実験に基づき、パフォーマンスと信頼性の両面で最新の結果を実現している。

具体的には、以下の手法が提案されている：
– 欠損データを利用可能なビューに依存する分布にモデル化し、不確実性を導入することで、より感知できる代替データを実現する。
– 証拠に基づく融合戦略を採用し、導入された不確実性を適応的に利用して、より信頼できるビューの統合を実現する。

要約(オリジナル)

Classifying incomplete multi-view data is inevitable since arbitrary view missing widely exists in real-world applications. Although great progress has been achieved, existing incomplete multi-view methods are still difficult to obtain a trustworthy prediction due to the relatively high uncertainty nature of missing views. First, the missing view is of high uncertainty, and thus it is not reasonable to provide a single deterministic imputation. Second, the quality of the imputed data itself is of high uncertainty. To explore and exploit the uncertainty, we propose an Uncertainty-induced Incomplete Multi-View Data Classification (UIMC) model to classify the incomplete multi-view data under a stable and reliable framework. We construct a distribution and sample multiple times to characterize the uncertainty of missing views, and adaptively utilize them according to the sampling quality. Accordingly, the proposed method realizes more perceivable imputation and controllable fusion. Specifically, we model each missing data with a distribution conditioning on the available views and thus introducing uncertainty. Then an evidence-based fusion strategy is employed to guarantee the trustworthy integration of the imputed views. Extensive experiments are conducted on multiple benchmark data sets and our method establishes a state-of-the-art performance in terms of both performance and trustworthiness.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI