في السنوات الأخيرة، أصبحت تقنيات التصنيف متعدد الرؤية (Multi-view Classification) محور اهتمام كبير في مجالات الأبحاث الأكاديمية والصناعية. هذه التقنيات تطمح إلى تقديم دمج موثوق لتحسين دقة التنبؤات، لكنها تواجه تحديات حقيقية في تطبيقاتها العملية. العديد من الأساليب الحالية تفترض وجود توافق صارم بين الرؤى المختلفة خلال مراحل التدريب والاختبار، وهو ما لا ينطبق دائمًا في سيناريوهات العالم الحقيقي.

هذه القيود دفعت الباحثين إلى إعادة النظر في أساليب التصنيف متعدد الرؤية الموثوقة وتوسيعها إلى سياقات أكثر تعقيدًا. تمثل الورقة البحثية الجديدة، التي تم نشرها في arXiv، إطارًا مبتكرًا يعالج قضية صراعات الرؤية (View Conflict) خلال كل من التدريب والاستدلال.

الإطار المسمى (R-FUML) يعتمد على نظرية المجموعات الضبابية (Fuzzy Set Theory)، حيث يقدم طريقة فريدة لتقدير مصداقية الفئات عبر تحويل مخرجات الشبكة العصبية إلى عضويات ضبابية، مما يعكس مدى احتمالية كل فئة. كما يتم استخدام طريقة تعتمد على الانتروبيا للدمج الفعال بين الرؤى المتعددة.

لتحدي الصراعات التي قد تنشأ بين التصنيفات المتعددة، يقدم البحث أيضًا استراتيجية دمج متعددة الرؤية موثوقة (Robust Multi-view Fusion - RMF) تأخذ في الاعتبار عدم اليقين الخاص بكل رؤية والصراعات بينها، مما يقلل من الآثار السلبية لهذه الصراعات على عملية اتخاذ القرار.

أثناء التدريب، تم تصميم إطار تعلم قوي ضد صراعات الرؤية (Robust Learning Against VC - RLVC) الذي يعزل العينات المتعارضة عن طريق استغلال تأثيرات الذاكرة في الشبكات العصبية، ثم يعيد تدريب النموذج مع تطبيق عقوبة على الأنماط المتعارضة.

أظهرت تجارب واسعة النطاق عبر ثمانية مجموعات بيانات عامة أن الإطار (R-FUML) يتفوق باستمرار على 15 نموذجًا رائدًا في تقدير القوة والقدرة على التحمل، مما يفتح آفاق جديدة في مجال الذكاء الاصطناعي والتعلم الآلي. سيكون الكود متاحًا عند قبول الدراسة.