多模态人工智能技术正在被广泛应用到智能医疗、智能决策、无人系统等重要领域,设计精准、可靠的多模态学习技术成为支持重要应用的关键。多模态数据为智能系统决策提供了丰富信息,使得多模态智能系统可以 “兼听则明”,提高分类和预测准确性。然而,在许多代价敏感场景中,多模态融合及决策的可信性往往更加重要。
Zongbo等人提出了可信多模态机器学习的新方法,Trusted Multi-View Classification。该方法通过引入不确定性对不同场景下模态的动态性进行建模、利用一种改进的证据融合策略集成多模态信息。该方法不仅能在模态质量动态变化时获得更加稳定的分类结果,同时能够估计决策信心,并对分类结果和分类信心进行模态级溯源。从而提升多模态融合及决策的可靠性和稳定性。(大数据研究院供稿)