独立に推定されたビュー不確実性は比較可能か？信頼できるマルチビュー分類のための統一ルーティング

要旨: 信頼できるマルチビュー分類は典型的に、ビューごとの証拠（evidential）融合プロセスに依存します。すなわち、各ビューが独立にクラスの証拠と不確実性を生成し、最終予測はこれらの独立した意見を集約することで得られます。この設計はモジュール的で不確実性を考慮していますが、異なるビューの証拠が数値的に比較可能であることを暗黙に仮定しています。しかし実際には、この仮定は脆弱です。異なるビューはしばしば特徴空間、ノイズレベル、意味的な粒度が異なり、独立に学習されたブランチは、証拠強度におけるビュー間の整合性を強制する制約なしに、予測の正しさのみが最適化されます。その結果、融合に用いられる不確実性は、真のサンプルレベルの信頼性というよりも、ブランチ固有のスケールバイアスによって支配される可能性があります。
この問題に対処するため、我々は、統一ルーティングによる信頼できるマルチビュー学習（TMUR: Trusted Multi-view learning with Unified Routing）を提案します。TMURは、ビュー固有の証拠抽出を融合の仲裁（arbitration）から切り離します。TMURはビュー専有エキスパートと1つの協調エキスパートを用い、さらに、グローバルなマルチビュー文脈を観測してサンプルレベルのエキスパート重みを生成する統一ルータを採用します。ソフトな負荷分散（soft load-balancing）と多様性正則化により、エキスパートの利用がより均衡になり、エキスパートの専門性がより識別的に形成されるよう促します。また、独立な証拠付き（evidential）監督が、ビュー間で共通の証拠スケールを同定しない理由、および信頼性がサンプル依存である場合に、ブランチローカルな仲裁よりも統一されたグローバルルーティングが望ましい理由を示す理論解析も提供します。