Evidential Deep Partial Multi-View Classification With Discount Fusion

要約

不完全なマルチビュー データ分類は、現実世界のシナリオではビューが欠落しているという一般的な問題により、重大な課題を引き起こします。
進歩にもかかわらず、既存の方法では信頼性の高い予測を提供できないことがよくあります。これは主に、欠落したビューの不確実性と代入データの品質の一貫性が原因です。
これらの問題に取り組むために、我々は EDP-MVC (Evidential Deep Partial Multi-View Classification) と呼ばれる新しいフレームワークを提案します。
最初に、K 平均法代入を使用して欠落しているビューに対処し、マルチビュー データの完全なセットを作成します。
ただし、この帰属データ内の潜在的な矛盾や不確実性は、下流の推論の信頼性に影響を与える可能性があります。
これを管理するために、Conflict-Aware Evidential Fusion Network (CAEFN) を導入します。CAEFN は、証拠の信頼性に基づいて動的に調整し、信頼できる割引融合を保証し、信頼できる推論結果を生成します。
さまざまなベンチマーク データセットでの包括的な実験により、EDP-MVC は最先端の手法のパフォーマンスに匹敵するだけでなく、多くの場合それを上回っていることが明らかになりました。

要約(オリジナル)

Incomplete multi-view data classification poses significant challenges due to the common issue of missing views in real-world scenarios. Despite advancements, existing methods often fail to provide reliable predictions, largely due to the uncertainty of missing views and the inconsistent quality of imputed data. To tackle these problems, we propose a novel framework called Evidential Deep Partial Multi-View Classification (EDP-MVC). Initially, we use K-means imputation to address missing views, creating a complete set of multi-view data. However, the potential conflicts and uncertainties within this imputed data can affect the reliability of downstream inferences. To manage this, we introduce a Conflict-Aware Evidential Fusion Network (CAEFN), which dynamically adjusts based on the reliability of the evidence, ensuring trustworthy discount fusion and producing reliable inference outcomes. Comprehensive experiments on various benchmark datasets reveal EDP-MVC not only matches but often surpasses the performance of state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google