論文の概要: Modeling Score Distributions and Continuous Covariates: A Bayesian
Approach
- arxiv url: http://arxiv.org/abs/2009.09583v1
- Date: Mon, 21 Sep 2020 02:41:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 03:57:12.667323
- Title: Modeling Score Distributions and Continuous Covariates: A Bayesian
Approach
- Title(参考訳): スコア分布のモデリングと連続共変量:ベイズ的アプローチ
- Authors: Mel McCurrie, Hamish Nicholson, Walter J. Scheirer, Samuel Anthony
- Abstract要約: 連続共変量に対するマッチングと非マッチスコア分布の生成モデルを構築した。
混合モデルを用いて任意の分布と局所基底関数をキャプチャする。
提案手法の精度と有効性を示す3つの実験を行った。
- 参考スコア(独自算出の注目度): 8.772459063453285
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer Vision practitioners must thoroughly understand their model's
performance, but conditional evaluation is complex and error-prone. In
biometric verification, model performance over continuous
covariates---real-number attributes of images that affect performance---is
particularly challenging to study. We develop a generative model of the match
and non-match score distributions over continuous covariates and perform
inference with modern Bayesian methods. We use mixture models to capture
arbitrary distributions and local basis functions to capture non-linear,
multivariate trends. Three experiments demonstrate the accuracy and
effectiveness of our approach. First, we study the relationship between age and
face verification performance and find previous methods may overstate
performance and confidence. Second, we study preprocessing for CNNs and find a
highly non-linear, multivariate surface of model performance. Our method is
accurate and data efficient when evaluated against previous synthetic methods.
Third, we demonstrate the novel application of our method to pedestrian
tracking and calculate variable thresholds and expected performance while
controlling for multiple covariates.
- Abstract(参考訳): コンピュータビジョンの実践者は、モデルのパフォーマンスを徹底的に理解する必要があるが、条件付き評価は複雑でエラーやすい。
生体認証では、連続的共変量よりもモデルの性能 - 性能に影響を与える画像の実数特性 - 特に研究は困難である。
本研究では,連続共変量上でのマッチングおよび非マッチスコア分布の生成モデルを開発し,現代のベイズ法による推論を行う。
混合モデルを用いて任意の分布と局所基底関数を捉え、非線形多変量トレンドを捉える。
提案手法の精度と有効性を示す3つの実験を行った。
まず、年齢と顔認証性能の関係を調べ、従来の方法がパフォーマンスと信頼性を過大に表現している可能性を見いだす。
次に,cnnの前処理について検討し,モデル性能の非線型多変量曲面を求める。
本手法は, 従来の合成法と比較して精度が高く, 効率的である。
第3に,複数の共変量に対して制御しながら,提案手法を歩行者追跡に適用し,変動しきい値と期待性能を算出する。
関連論文リスト
- Adversarial Augmentation Training Makes Action Recognition Models More
Robust to Realistic Video Distribution Shifts [13.752169303624147]
アクション認識モデルは、トレーニングデータとテストデータの間の自然な分散シフトに直面したとき、堅牢性を欠くことが多い。
そこで本研究では,そのような分布格差に対するモデルレジリエンスを評価するための2つの新しい評価手法を提案する。
提案手法は,3つの動作認識モデルにまたがるベースラインよりも優れた性能を示す。
論文 参考訳(メタデータ) (2024-01-21T05:50:39Z) - It's All in the Mix: Wasserstein Machine Learning with Mixed Features [5.739657897440173]
混合機能問題の解法として,実用的なアルゴリズムを提案する。
提案手法は, 個々の特徴が存在する場合の既存手法を著しく上回りうることを示す。
論文 参考訳(メタデータ) (2023-12-19T15:15:52Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - DeeDiff: Dynamic Uncertainty-Aware Early Exiting for Accelerating
Diffusion Model Generation [34.7016118539358]
DeeDiffは、拡散モデルの生成効率を改善するために、各サンプリングステップで計算リソースを適応的に割り当てる早期終了フレームワークである。
本稿では,モデル全体の性能ギャップを埋めるため,不確実性を考慮したレイヤワイズ損失を提案する。
本手法は,拡散モデルにおける既存の早期出口法と比較して,最先端の性能と効率のトレードオフを実現する。
論文 参考訳(メタデータ) (2023-09-29T09:10:04Z) - Predicting Out-of-Distribution Error with Confidence Optimal Transport [17.564313038169434]
そこで本研究では,未知の分布におけるモデルの性能を付加アノテーションなしで予測する簡易かつ効果的な手法を提案する。
提案手法である信頼度最適輸送(COT)は,対象領域におけるモデルの性能を頑健に推定する。
その単純さにもかかわらず,提案手法は3つのベンチマークデータセットに対して最先端の結果を達成し,既存の手法よりも大きなマージンで性能を向上する。
論文 参考訳(メタデータ) (2023-02-10T02:27:13Z) - Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。
条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。
提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
論文 参考訳(メタデータ) (2022-11-30T05:33:29Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳(メタデータ) (2022-02-25T13:47:09Z) - Improving Non-autoregressive Generation with Mixup Training [51.61038444990301]
本稿では,事前学習したトランスモデルに基づく非自己回帰生成モデルを提案する。
我々はMIxソースと擬似ターゲットという,シンプルで効果的な反復訓練手法を提案する。
質問生成,要約,パラフレーズ生成を含む3つの世代ベンチマーク実験により,提案手法が新たな最先端結果を実現することを示す。
論文 参考訳(メタデータ) (2021-10-21T13:04:21Z) - Parameter Decoupling Strategy for Semi-supervised 3D Left Atrium
Segmentation [0.0]
本稿では,パラメータ分離戦略に基づく半教師付きセグメンテーションモデルを提案する。
提案手法は,Atrial Challengeデータセット上での最先端の半教師付き手法と競合する結果を得た。
論文 参考訳(メタデータ) (2021-09-20T14:51:42Z) - Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。
我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
論文 参考訳(メタデータ) (2021-08-26T17:55:11Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳(メタデータ) (2020-05-21T16:08:38Z)
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。