신뢰할 수 있는 다중 뷰 분류(TMVC)는 이질적이고, 일치하지 않거나, 충돌하는 다중 소스 정보를 사용하는 복잡한 시나리오에서 신뢰할 수 있는 의사 결정을 달성하는 문제를 해결합니다. 기존 TMVC 접근 방식은 주로 높은 계산 비용과 뷰 간 관계의 일관성을 직접 보장할 수 없다는 단점을 가지고 있습니다. 또한, 수동으로 할당된 가중치를 통해 다양한 뷰에서 증거를 집계하여 학습된 다중 뷰 이웃 구조가 클래스 공간 내에서 일관성을 유지하지 못해 분류 결과의 신뢰성을 저해합니다. 본 논문은 각 뷰의 이웃 구조를 나타내는 프로토타입을 도입하여 이러한 제한 사항을 극복합니다. 본 연구는 뷰 내 이웃 관계 학습을 단순화하고 뷰 내 및 뷰 간 구조의 동적 정렬을 가능하게 함으로써, 교차 뷰 합의를 보다 효율적이고 일관성 있게 발견합니다. 여러 공개 다중 뷰 데이터 세트에 대한 광범위한 실험을 통해 제안된 방법이 기존 TMVC 방법과 비교하여 경쟁력 있는 다운스트림 성능과 견고성을 달성함을 보여줍니다.
