論文の概要: Information Fusion on Belief Networks

• arxiv url: http://arxiv.org/abs/2007.12989v1
• Date: Sat, 25 Jul 2020 18:10:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 01:09:54.697042
• Title: Information Fusion on Belief Networks
• Title（参考訳）: 信念ネットワークにおける情報融合
• Authors: Shawn C. Eastwood and Svetlana N. Yanushkevich
• Abstract要約: 本稿では,信念の価値観の主観的「強さ」とは対照的に,客観的に測定できる量を支持する。 本論文の新たな側面は,特定の種類の干潟を用いた融合モデルの分類である。
• 参考スコア（独自算出の注目度）: 1.85796937745977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper will focus on the process of 'fusing' several observations or models of uncertainty into a single resultant model. Many existing approaches to fusion use subjective quantities such as 'strengths of belief' and process these quantities with heuristic algorithms. This paper argues in favor of quantities that can be objectively measured, as opposed to the subjective 'strength of belief' values. This paper will focus on probability distributions, and more importantly, structures that denote sets of probability distributions known as 'credal sets'. The novel aspect of this paper will be a taxonomy of models of fusion that use specific types of credal sets, namely probability interval distributions and Dempster-Shafer models. An objective requirement for information fusion algorithms is provided, and is satisfied by all models of fusion presented in this paper. Dempster's rule of combination is shown to not satisfy this requirement. This paper will also assess the computational challenges involved for the proposed fusion approaches.
• Abstract（参考訳）: 本稿では,複数の観測や不確実性のモデルを単一結果モデルに「融合」する過程に着目する。 融合に対する既存の多くのアプローチは「信念の強さ」のような主観的な量を使い、これらの量をヒューリスティックなアルゴリズムで処理する。 本稿では,主観的な「信念の強さ」とは対照的に,客観的に測定できる量を好む。 本稿では, 確率分布, さらに重要なことは, 確率分布の集合を「クレダル集合」と呼ぶ構造に着目する。 この論文の新たな側面は、特定の種類のクレダル集合、すなわち確率区間分布とデンプスター・シェーファーモデルを使用する融合モデルの分類である。 情報融合アルゴリズムの客観的要件が提示され,本論文で提示されたすべてのモデルによって満足できる。 デンプスターの組合せ規則はこの要件を満たさないことが示されている。 本稿では,提案する核融合手法の計算課題についても検討する。

関連論文リスト

• FusionBench: A Comprehensive Benchmark of Deep Model Fusion [78.80920533793595]
  ディープモデル融合(Deep Model fusion)とは、複数のディープニューラルネットワークの予測やパラメータを単一のモデルに統合する手法である。 FusionBenchは、ディープモデル融合に特化した最初の包括的なベンチマークである。
  論文  参考訳（メタデータ） (2024-06-05T13:54:28Z)
• Variational autoencoder with weighted samples for high-dimensional non-parametric adaptive importance sampling [0.0]
  既存のフレームワークを、新しい目的関数を導入することで、重み付けされたサンプルの場合に拡張する。 モデルに柔軟性を加え、マルチモーダル分布を学習できるようにするため、学習可能な事前分布を考える。 提案手法は,既存の適応的重要度サンプリングアルゴリズムを用いて,目標分布から点を抽出し,高次元で稀な事象確率を推定する。
  論文  参考訳（メタデータ） (2023-10-13T15:40:55Z)
• Integrating Large Pre-trained Models into Multimodal Named Entity Recognition with Evidential Fusion [31.234455370113075]
  本稿では,MNERタスクに不確実性推定を取り入れ,信頼に値する予測を生成することを提案する。 提案アルゴリズムは,各モードの分布を正規逆ガンマ分布としてモデル化し,それらを統一分布に融合する。 2つのデータセットの実験により,提案手法がベースラインを上回り,新しい最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-06-29T14:50:23Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• BRIO: Bringing Order to Abstractive Summarization [107.97378285293507]
  非決定論的分布を前提とした新しい学習パラダイムを提案する。 提案手法は, CNN/DailyMail (47.78 ROUGE-1) と XSum (49.07 ROUGE-1) のデータセット上で, 最新の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-31T05:19:38Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• A Normative Model of Classifier Fusion [4.111899441919164]
  新たに相関したディリクレ分布に基づく確率的分類融合の階層的ベイズモデルを提案する。 提案モデルでは,古典的な独立性オピニオンプールと他の独立性融合アルゴリズムを特殊ケースとして扱う。 合成および実世界のデータセット上での核融合の不確かさの低減と正しさによって評価される。
  論文  参考訳（メタデータ） (2021-06-03T11:52:13Z)
• Entropy methods for the confidence assessment of probabilistic classification models [0.0]
  このプロセスで破棄された情報の一部は、モデルの良さをさらに評価するために利用できると我々は主張する。 本稿では, (ベルヌーリ) ネイブベイズ生成モデルに対する相補的アプローチで観測された信頼性劣化現象の理論的説明を行う。
  論文  参考訳（メタデータ） (2021-03-28T15:39:13Z)
• Trusted Multi-View Classification [76.73585034192894]
  本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。 さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
  論文  参考訳（メタデータ） (2021-02-03T13:30:26Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。