近日，貴州大學(xué)大數(shù)據(jù)與信息工程學(xué)院2021級信息管理與信息系統(tǒng)專業(yè)本科生謝武林以第一作者身份投稿的學(xué)術(shù)論文UPDGD-Net:An Uncertainty-aware Pseudo-labeling and Dual Graph Driven Network for Incomplete Multi-view Multi-label Classification被人工智能與多媒體領(lǐng)域國際頂級會議ACM MM 2024收錄。

　　ACM MM全稱為ACM國際多媒體會議（ACM International Conference on Multimedia），由美國計(jì)算機(jī)協(xié)會（ACM）主辦，是全球多媒體領(lǐng)域最具影響力的國際頂級學(xué)術(shù)會議之一，享有很高的國際學(xué)術(shù)聲譽(yù)。在中國計(jì)算機(jī)學(xué)會（CCF）推薦的國際學(xué)術(shù)會議中，ACM MM為多媒體與人工智能領(lǐng)域的A類會議；在谷歌學(xué)術(shù)公布的最新學(xué)術(shù)出版物影響力榜單中，ACM MM在多媒體及相關(guān)領(lǐng)域的所有學(xué)術(shù)出版物中h5-index為101。

　　延伸閱讀：

　　隨著數(shù)據(jù)獲取技術(shù)的發(fā)展，來自不同來源的多視圖數(shù)據(jù)能夠提供更細(xì)致和多樣化的對象表示。例如，一幅圖像可以用SIFT、Gist和HSV等多種不同的特征提取方法來表示。因此，多視圖學(xué)習(xí)已成為數(shù)據(jù)分析領(lǐng)域的重要方法，許多相關(guān)工作基于子空間學(xué)習(xí)和矩陣分解提出了多種方法。

　　另一方面，作為經(jīng)典的分類問題，多標(biāo)簽分類（MLC）長期以來在模式識別領(lǐng)域中占據(jù)重要地位。與要求標(biāo)簽之間互斥的單標(biāo)簽數(shù)據(jù)不同，多標(biāo)簽數(shù)據(jù)包含多個類別標(biāo)簽，并自然地保持復(fù)雜的標(biāo)簽相關(guān)性。例如，一張圖片可能包含“霓虹燈招牌”“人行道”和“行駛車輛”等多個元素，每個元素都有助于對場景的更全面理解。然而，傳統(tǒng)的多標(biāo)簽分類方法主要依賴于單一視角提取的特征，限制了其性能。通過將多視圖學(xué)習(xí)整合到多標(biāo)簽分類中，可以有效緩解這一限制。因此，復(fù)合多視圖多標(biāo)簽分類（MvMLC）應(yīng)運(yùn)而生，并吸引了越來越多在職研究生的關(guān)注。

　　然而，MvMLC面臨的一個重大挑戰(zhàn)是數(shù)據(jù)的不完整性，既包括視圖的不完整也包括標(biāo)簽的不完整。這一挑戰(zhàn)直接導(dǎo)致了不完整多視圖多標(biāo)簽分類（iMvMLC）的必要性，該任務(wù)關(guān)注于在某些視圖或標(biāo)簽缺失的情況下進(jìn)行分類。為了解決這一問題，該篇文章提出了一種不確定性感知的偽標(biāo)簽生成與雙圖驅(qū)動網(wǎng)絡(luò)（UPDGD-Net）。不同于現(xiàn)有方法，UPDGD-Net通過不確定性感知的偽標(biāo)簽生成策略填補(bǔ)缺失標(biāo)簽，并利用填補(bǔ)后的標(biāo)簽矩陣對模型提取的高維特征施加雙圖約束，從而保持原始數(shù)據(jù)的內(nèi)在結(jié)構(gòu)。此外，該文設(shè)計(jì)了兩個基于Transformer的模塊，分別用于跨視圖聚合和多標(biāo)簽分類，并在跨視圖聚合模塊中應(yīng)用了平均視圖標(biāo)記（AVT），以更好地學(xué)習(xí)多視圖之間的一致信息。實(shí)驗(yàn)結(jié)果表明，UPDGD-Net在五個數(shù)據(jù)集上的表現(xiàn)優(yōu)于其他最先進(jìn)的方法，驗(yàn)證了其有效性。