論文の概要: Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions
- arxiv url: http://arxiv.org/abs/2111.08456v1
- Date: Thu, 11 Nov 2021 14:28:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-21 14:30:44.549913
- Title: Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions
- Title(参考訳): 正規逆ガンマ分布の混合による信頼できるマルチモーダル回帰
- Authors: Huan Ma, Zongbo Han, Changqing Zhang, Huazhu Fu, Joey Tianyi Zhou,
Qinghua Hu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 91.63716984911278
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal regression is a fundamental task, which integrates the information
from different sources to improve the performance of follow-up applications.
However, existing methods mainly focus on improving the performance and often
ignore the confidence of prediction for diverse situations. In this study, we
are devoted to trustworthy multimodal regression which is critical in
cost-sensitive domains. To this end, we introduce a novel Mixture of
Normal-Inverse Gamma distributions (MoNIG) algorithm, which efficiently
estimates uncertainty in principle for adaptive integration of different
modalities and produces a trustworthy regression result. Our model can be
dynamically aware of uncertainty for each modality, and also robust for
corrupted modalities. Furthermore, the proposed MoNIG ensures explicitly
representation of (modality-specific/global) epistemic and aleatoric
uncertainties, respectively. Experimental results on both synthetic and
different real-world data demonstrate the effectiveness and trustworthiness of
our method on various multimodal regression tasks (e.g., temperature prediction
for superconductivity, relative location prediction for CT slices, and
multimodal sentiment analysis).
- Abstract(参考訳): マルチモーダル回帰は基本的なタスクであり、異なるソースからの情報を統合して、フォローアップアプリケーションの性能を改善する。
しかし、既存の手法は主に性能向上に重点を置いており、様々な状況における予測の信頼性を無視することが多い。
本研究では,コスト依存ドメインにおいて重要な,信頼性の高いマルチモーダルレグレッションに焦点をあてる。
そこで本研究では,異なるモーダルの適応積分に対する原理的不確かさを効率的に推定し,信頼性の高い回帰結果を生成する,正規逆ガンマ分布の混合(MoNIG)アルゴリズムを提案する。
我々のモデルは各モダリティの不確かさを動的に認識でき、腐敗したモダリティに対しても頑健である。
さらに、提案したMoNIGは、それぞれ(モダリティ特異的/グローバルな)てんかんの明確な表現を保証している。
合成および異なる実世界のデータに対する実験結果は, 様々な多モード回帰タスク(超伝導の温度予測, CTスライスの相対的位置予測, マルチモーダル感情分析など)における本手法の有効性と信頼性を示す。
関連論文リスト
- Towards Understanding Variants of Invariant Risk Minimization through
the Lens of Calibration [0.8158530638728501]
実世界のアプリケーションでは、テスト分布はトレーニングとは異なることが多い。
不変リスク最小化(Invariant Risk Minimization)は、異なる環境間で不変な特徴を特定し、アウト・オブ・ディストリビューションを強化することを目的としている。
本研究では,これらの近似IRM手法について検討し,予測誤差(ECE)を指標として検討した。
論文 参考訳(メタデータ) (2024-01-31T02:08:43Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - Multiple Hypothesis Dropout: Estimating the Parameters of Multi-Modal
Output Distributions [22.431244647796582]
本稿では,複数出力関数(Multiple-Output function, MoM)の解法について, 新たな解法であるMultiple hypothesis Dropoutを用いて提案する。
教師付き学習問題に対する実験は、我々の手法がマルチモーダルな出力分布を再構築するための既存のソリューションよりも優れていることを示している。
教師なし学習問題に関するさらなる研究は、離散オートエンコーダ内の潜在後続分布のパラメータを推定することで、コードブックの効率、サンプル品質、精度、リコールを大幅に改善することを示している。
論文 参考訳(メタデータ) (2023-12-18T22:20:11Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - 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) - How Reliable is Your Regression Model's Uncertainty Under Real-World
Distribution Shifts? [46.05502630457458]
本研究では,異なるタイプの分散シフトを伴う8つの画像ベース回帰データセットのベンチマークを提案する。
分散シフトがない場合、メソッドは十分に校正されているが、ベンチマークデータセットの多くに非常に自信が持たれていることが分かっています。
論文 参考訳(メタデータ) (2023-02-07T18:54:39Z) - Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。
TMCは、様々な視点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。
理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
論文 参考訳(メタデータ) (2022-04-25T03:48:49Z) - A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。
ブレグマン最小化の発散の観点から一般的な枠組みを開発する。
我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文 参考訳(メタデータ) (2021-12-07T01:23:20Z) - Scalable Multi-Task Gaussian Processes with Neural Embedding of
Coregionalization [9.873139480223367]
マルチタスク回帰は,タスク間の知識伝達を実現するために,タスク類似性を活用しようとする。
コリージョン化の線形モデル(英: linear model of co Regionalalization, LMC)は、複数の独立かつ多様なGPの線形結合によってタスクの依存性を利用する、よく知られたMTGPパラダイムである。
我々は,潜伏GPを高次元の潜伏空間に変換するコリージョン化のニューラル埋め込みを開発し,リッチだが多様な振る舞いを誘導する。
論文 参考訳(メタデータ) (2021-09-20T01:28:14Z) - 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)
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。