[发明专利]基于证据深度学习的可信多视角分类方法

权利要求书

1.一种基于证据深度学习的可信多视角分类方法，其特征在于，包括如下方法步骤：

S1、样本定义，设定数据集有N个样本，每个样本有V个视角；

S2、单视角证据，估计单视角数据的分类不确定度；

S3、多视角证据融合，利用退化层将全局信息传播到每个视角，从而使得每个视角能够学习到基于全局信息的证据；

S4、优化目标，利用梯度下降算法优化模型中的所有参数。

2.根据权利要求1所述的基于证据深度学习的可信多视角分类方法，其特征在于，步骤S1中：

第n个样本第v个视角的表征向量：

其中，D_v是其维数；

考虑数据集含有C个类别，将每个类别表示为one-hot向量作为样本的真实标签，第n个样本的真实标签：

y_n∈{0,1}^C；

目标是给定样本，预测其标签，并给出预测的不确定度u_n∈[0,1]。

3.根据权利要求1所述的基于证据深度学习的可信多视角分类方法，其特征在于，步骤S2中：

对于C个类别的分类问题，第n个样本第v个视角的狄利克雷分布参数为：

则其概率密度函数表示为：

其中，B(x)表示多项分布的概率密度函数；

T_C为C维单纯形：

使用基于深度神经网络的学习器来确定出狄利克雷分布的参数

其中，f^v(x)表示基于深度神经网络的学习器，表示第n个样本第v个视角的证据向量；

用狄利克雷分布来描述证据分布，令那么对第n个样本预测为类别c的概率以及预测不确定度分别为：

其中，表示狄利克雷分布的强度。

4.根据权利要求3所述的基于证据深度学习的可信多视角分类方法，其特征在于，所述证据值越大时，则对应类别是真实类别的可能性越大；当C个类别的证据值之和越大时，不确定度将会越小。

5.根据权利要求1所述的基于证据深度学习的可信多视角分类方法，其特征在于，步骤S3中：

特定视角证据与融合证据之间满足退化关系：

其中，运算°表示两个向量对应元素相乘，≈的含义是不要求其两边的数据严格相等但期望它们尽量接近，d^v∈R^C表示强度退化向量，用来缩放特定视角证据与融合证据之间的强度，U^v∈R^C×C表示类别退化关系矩阵；

退化层的目标函数可以公式化为：

其中，是第v个视角的归一化权重系数，权重越大，表示对应视角的可信度越高。

6.根据权利要求5所述的基于证据深度学习的可信多视角分类方法，其特征在于，所述退化损失的意义是表达融合证据与特征视角证据之间的差异。

7.根据权利要求5所述的基于证据深度学习的可信多视角分类方法，其特征在于，所述退化层包含强度退化和类别退化两个退化阶段，所述强度退化为特定视角证据与融合证据的信息强度是不一致，所述类别退化为特定视角的聚类清晰度和融合证据的清晰度是不一致。