論文の概要: Uncertainty-Aware Boosted Ensembling in Multi-Modal Settings

• arxiv url: http://arxiv.org/abs/2104.10715v1
• Date: Wed, 21 Apr 2021 18:28:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-24 02:35:20.975782
• Title: Uncertainty-Aware Boosted Ensembling in Multi-Modal Settings
• Title（参考訳）: マルチモード設定における不確かさ認識の強化
• Authors: Utkarsh Sarawgi, Rishab Khincha, Wazeer Zulfikar, Satrajit Ghosh, Pattie Maes
• Abstract要約: 不確実性推定は、デプロイにおける機械学習システムの信頼性を強調する、広く研究されている方法である。 逐次および並列アンサンブル手法により,マルチモーダル設定におけるMLシステムの性能が向上した。 本研究では,不確かさを高く見積もるデータポイントに着目し,マルチモーダルセンシングのための不確実性認識促進手法を提案する。
• 参考スコア（独自算出の注目度）: 33.25969141014772
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliability of machine learning (ML) systems is crucial in safety-critical applications such as healthcare, and uncertainty estimation is a widely researched method to highlight the confidence of ML systems in deployment. Sequential and parallel ensemble techniques have shown improved performance of ML systems in multi-modal settings by leveraging the feature sets together. We propose an uncertainty-aware boosting technique for multi-modal ensembling in order to focus on the data points with higher associated uncertainty estimates, rather than the ones with higher loss values. We evaluate this method on healthcare tasks related to Dementia and Parkinson's disease which involve real-world multi-modal speech and text data, wherein our method shows an improved performance. Additional analysis suggests that introducing uncertainty-awareness into the boosted ensembles decreases the overall entropy of the system, making it more robust to heteroscedasticity in the data, as well as better calibrating each of the modalities along with high quality prediction intervals. We open-source our entire codebase at https://github.com/usarawgi911/Uncertainty-aware-boosting
• Abstract（参考訳）: 機械学習(ML)システムの信頼性は、医療などの安全クリティカルなアプリケーションにおいて不可欠であり、不確実性推定は、デプロイメントにおけるMLシステムの信頼性を強調するために広く研究されている手法である。 逐次および並列アンサンブル技術は、特徴セットをまとめて活用することにより、マルチモーダル環境でのMLシステムの性能向上を示す。 本研究では,マルチモーダルセンシングのための不確実性認識促進手法を提案し,損失値の高いデータポイントよりも,関連する不確実性推定値の高いデータポイントに着目した。 本手法は,実世界のマルチモーダル音声とテキストデータを含む認知症およびパーキンソン病に関連する医療タスクについて評価し,その改善効果を示す。 さらなる分析は、強化されたアンサンブルに不確実性を導入することでシステム全体のエントロピーが減少し、データの不均一性に対してより堅牢になり、高品質な予測間隔とともに各モダリティの校正性が向上することを示している。 私たちはコードベース全体をhttps://github.com/usarawgi911/Uncertainty-aware-boostingでオープンソース化しました。

関連論文リスト

• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Enhancing Person Re-Identification via Uncertainty Feature Fusion and Auto-weighted Measure Combination [1.2923961938782627]
  本研究では、人物再同定(Re-ID)を大幅に向上させる新しい手法を提案する。 ベンチマークデータセット( Market-1501, DukeMTMC-ReID, MSMT17)で検証した結果,我々の手法はランク1の精度と平均平均精度(mAP)を大幅に改善した。 UFFMは、複数の画像から特徴合成のパワーを生かし、異なる視点の被写体の多様性によって課される制限を克服する。 WDAはさらに、類似度メトリクスをインテリジェントに集約することでプロセスを洗練し、それによって、被験者間の微妙だが批判的な違いを識別するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-05-02T09:09:48Z)
• Machine Learning Robustness: A Primer [12.426425119438846]
  この議論はロバストネスの詳細な定義から始まり、MLモデルが様々な環境条件と予期せぬ環境条件で安定した性能を維持する能力であることを示している。 この章では、データバイアスやモデル複雑性、未特定のMLパイプラインの落とし穴など、堅牢性を阻害する要因について詳しく説明している。 議論は、デバイアスや拡張といったデータ中心のアプローチから始まる、堅牢性を促進するための改善戦略を探求する。
  論文  参考訳（メタデータ） (2024-04-01T03:49:42Z)
• A Holistic Assessment of the Reliability of Machine Learning Systems [30.638615396429536]
  本稿では,機械学習(ML)システムの信頼性に関する総合評価手法を提案する。 本フレームワークは, 分散精度, 分散シフト堅牢性, 対向ロバスト性, キャリブレーション, 分布外検出の5つの重要な特性を評価する。 異なるアルゴリズムアプローチの性能に関する洞察を提供するため、我々は最先端技術を特定し分類する。
  論文  参考訳（メタデータ） (2023-07-20T05:00:13Z)
• Unsupervised Quality Prediction for Improved Single-Frame and Weighted Sequential Visual Place Recognition [20.737660223671003]
  位置推定の質を予測できる新しい,トレーニング不要な手法を提案する。 これらの予測はシーケンスマッチングプロセスに偏りを生じさせ、さらなるパフォーマンス向上をもたらす。 我々のシステムは軽量であり、リアルタイムに動作しており、基礎となるVPR技術に非依存である。
  論文  参考訳（メタデータ） (2023-07-04T03:53:05Z)
• Calibrating Multimodal Learning [94.65232214643436]
  本稿では,従来の手法の予測信頼性を校正するために,新たな正規化手法であるCML(Callibrating Multimodal Learning)正則化を提案する。 この技術は、既存のモデルによって柔軟に装備され、信頼性校正、分類精度、モデルロバスト性の観点から性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-06-02T04:29:57Z)
• Quality-Based Conditional Processing in Multi-Biometrics: Application to Sensor Interoperability [63.05238390013457]
  2007年のバイオセキュリティ・マルチモーダル・アセスメント・キャンペーンにおいて,ATVS-UAM融合手法を品質ベースで評価し,評価を行った。 我々のアプローチは線形ロジスティック回帰に基づいており、融合したスコアはログライクな比率になる傾向にある。 その結果,提案手法はルールベースの核融合方式よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T12:11:22Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• 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)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Uncertainty-Aware Multi-Modal Ensembling for Severity Prediction of Alzheimer's Dementia [39.29536042476913]
  本稿では,アルツハイマー病の重症度を予測するために,マルチモーダルアンサンブルのための不確実性を考慮したブースティング手法を提案する。 音響的・認知的・言語的特徴にまたがる不確実性の伝播は、データの異義性に頑健なアンサンブルシステムを生み出す。
  論文  参考訳（メタデータ） (2020-10-03T23:08:00Z)

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。