Trusted Multi-view Learning with Label Noise

多视角学习方法通常侧重于提高决策准确性，而忽略了决策不确定性，这在安全关键应用中显著限制了它们的应用。为了解决这个问题，研究人员提出了可信的多视角方法，为每个实例学习类分布，使得可以估计分类概率和不确定性。然而，这些方法严重依赖于高质量的标签数据。这促使我们深入研究一个新的广义可信多视角学习问题：如何在噪声标签的指导下开发可靠的多视角学习模型？我们提出了一种可信的多视角噪声精炼方法来解决这个问题。首先，我们使用证据深度神经网络构建视角意见，其中包括信念质量向量和不确定性估计。随后，我们设计了视角特定的噪声相关矩阵，将原始意见转换为与噪声标签对齐的噪声意见。考虑到标签噪声来自低质量的数据特征和易混淆的类别，我们确保这些矩阵的对角线元素与不确定性成反比，同时将类别关系纳入到非对角线元素中。最后，我们聚合噪声意见，并在聚合意见上使用广义最大似然损失进行模型训练，由噪声标签指导。我们在5个公开可用的数据集上对TMNR与最先进的可信多视角学习和标签噪声学习基线进行了实证比较。实验结果表明，TMNR在准确性、可靠性和鲁棒性方面优于基线方法。我们承诺在Github上发布代码和所有数据集，并在此提供链接。

如何在存在嘈杂标签的情况下开发可靠的多视角学习模型？

提出了一种可信多视角噪声精炼方法，通过构建视角意见，设计视角特定的噪声相关矩阵来将原始意见转化为与嘈杂标签对齐的噪声意见，最终聚合噪声意见并使用广义最大似然损失进行模型训练。

实验结果表明，该方法在准确性、可靠性和鲁棒性方面优于基线方法。作者承诺在Github上公开代码和所有数据集。

与该论文相关的研究包括多视角学习和标签噪声学习。