在现实世界的应用中，任意视图缺失普遍存在，因此对不完整的多视图数据进行分类是不可避免的。尽管已经取得了很大的进展，但由于缺失视图具有较高的不确定性，现有的不完整多视图方法仍然难以获得可信的预测。首先，缺失视图具有高度的不确定性，因此提供单一的确定性填补是不合理的。其次，估算数据本身的质量具有高度的不确定性。 为了探索和利用不确定性，我们提出了一种不确定性诱导的不完整多视图数据分类（UIMC）模型，在稳定可靠的框架下对不完整多视图数据进行分类 。我们构建一个分布并多次采样以表征缺失视图的不确定性，并根据采样质量自适应地利用它们。因此，所提方法实现了更加可感知的填补和可控的融合。具体来说，我们根据可用视图对每个缺失数据建立一个分布模型，从而引入不确定性。然后采用一种基于证据的融合策略来确保插补视图的可信融合。在多个基准数据集上进行了广泛的实验，我们的方法在性能和可信性方面都取得了最先进的性能。

专知便捷查看

便捷下载 ，请关注 专知 公众号（点击上方 蓝色 专知关注）