重尾融合抗噪声与模态缺失
该网络引入置信度感知融合框架，通过学生t分布混合策略整合多模态眼科图像，在噪声干扰和模态缺失条件下仍能保持可靠的眼病筛查性能。
Zou, Ke · Tian, Lin · 韩宗博 · 汪萌 · Yuan, Xuedong · 陈浩宇 · 张长青 · 沈晓静 · Fu, Huazhu
Medical Image Analysis 2024
在模态缺失条件下仍保持高性能，因为融合模块对单模态置信度进行排序正则化，缺失模态不会拉低整体决策。
对高斯噪声具有强鲁棒性，源于学生t分布的重尾特性，降低了对极端噪声样本的敏感度。
对分布外数据表现出强泛化能力，因为证据学习同时建模了偶然不确定性和认知不确定性，能识别并适应未知分布。