在人工智能与大数据深度融合的今天，多视图学习（multiview learning）已成为提升复杂任务性能的关键技术。然而，真实世界中不同视图（如图像、文本、传感器数据）之间常常存在信息冲突或噪声干扰，导致传统模型性能严重下降，且难以评估决策的可靠性。

为此，温州大学计算机与人工智能学院黄辉教授、张楠副教授，联合上海交通大学孙仕亮教授研究团队，提出了一种鲁棒可信的冲突性多视图协同对比学习方法（RCMCL），为解决多视图数据冲突问题提供了全新思路。研究团队首先利用证据深度神经网络构建视图特定的意见，随后采用基于不和谐度的证据对比学习来增强这些意见在不同视图之间的一致性。接着，该模型对一致性证据与互补性证据进行协同学习：首先引入空缺度到互补性证据中以提取更有用的信息，再通过类别级对比学习将一致性证据与互补性证据进行分离，最后将一致性证据与互补性证据相结合，做出联合决策。实验结果表明，在8个公开多视图数据集（如Caltech101、CUB等）上，RCMCL模型在准确率、精确率与F1分数等关键指标上均显著优于现有最先进方法，尤其在高噪声、高冲突率的极端场景下表现突出。

近期，该论文以“Robust Trusted Conflictive Multiview Collaborative Contrastive Learning”为题发表于国际顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（CCF-A类期刊、IF=18.6）。我校计算机与人工智能学院24级硕士生胡绍博为第一作者，我校计算机与人工智能学院黄辉、张楠以及上海交通大学孙仕亮为联合作者，相关工作得到了国家自然科学基金的支持。此为我校首次以硕士生为第一作者在IEEE TPAMI期刊上发表研究性论文，体现出该团队在可信多视图学习领域的研究深度。

原文链接：https://ieeexplore.ieee.org/document/11391645