論文の概要: Trusted Multi-View Classification with Dynamic Evidential Fusion

• arxiv url: http://arxiv.org/abs/2204.11423v1
• Date: Mon, 25 Apr 2022 03:48:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 20:39:43.241774
• Title: Trusted Multi-View Classification with Dynamic Evidential Fusion
• Title（参考訳）: ダイナミック・エビデンシャル・フュージョンを用いた信頼度多視点分類
• Authors: Zongbo Han, Changqing Zhang, Huazhu Fu, and Joey Tianyi Zhou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 73.35990456162745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing multi-view classification algorithms focus on promoting accuracy by exploiting different views, typically integrating them into common representations for follow-up tasks. Although effective, it is also crucial to ensure the reliability of both the multi-view integration and the final decision, especially for noisy, corrupted and out-of-distribution data. Dynamically assessing the trustworthiness of each view for different samples could provide reliable integration. This can be achieved through uncertainty estimation. With this in mind, we propose a novel multi-view classification algorithm, termed trusted multi-view classification (TMC), providing a new paradigm for multi-view learning by dynamically integrating different views at an evidence level. The proposed TMC can promote classification reliability by considering evidence from each view. Specifically, we introduce the variational Dirichlet to characterize the distribution of the class probabilities, parameterized with evidence from different views and integrated with the Dempster-Shafer theory. The unified learning framework induces accurate uncertainty and accordingly endows the model with both reliability and robustness against possible noise or corruption. Both theoretical and experimental results validate the effectiveness of the proposed model in accuracy, robustness and trustworthiness.
• Abstract（参考訳）: 既存のマルチビュー分類アルゴリズムは、様々なビューを活用して精度を高めることに重点を置いている。 有効ではあるが、マルチビュー統合と最終決定、特にノイズ、腐敗、分散データの信頼性を確保することも重要である。 異なるサンプルに対する各ビューの信頼性を動的に評価することで、信頼性の高い統合が可能になる。 これは不確実性推定によって達成できる。 そこで本研究では,複数の視点をエビデンスレベルで動的に統合することで,多視点学習のための新しいパラダイムを提供する,信頼型多視点分類(TMC)と呼ばれる新しい多視点分類アルゴリズムを提案する。 提案したTMCは,各視点からの証拠を考慮し,分類信頼性を向上させることができる。 具体的には、クラス確率の分布を特徴づける変分ディリクレを導入し、異なる視点から証拠をパラメータ化し、デンプスター・シェーファー理論と統合する。 統合学習フレームワークは正確な不確実性を誘導し、ノイズや腐敗の可能性に対して信頼性と堅牢性の両方をモデルに与える。 理論および実験の結果から,提案モデルの精度,ロバスト性,信頼性が検証された。

関連論文リスト

• Uncertainty-Weighted Mutual Distillation for Multi-View Fusion [0.053801353100098995]
  本稿では,新しいMV-UWMD法を提案する。 MV-UWMDは既存のマルチビュー学習手法と比較して予測精度と一貫性を向上させる。
  論文  参考訳（メタデータ） (2024-11-15T09:45:32Z)
• Dynamic Evidence Decoupling for Trusted Multi-view Learning [17.029245880233816]
  本稿では,一貫性と相補性を考慮したマルチビューラーニング(CCML)手法を提案する。 我々はまず,信念の質量ベクトルと不確実性推定からなる明らかな深層ニューラルネットワークを用いて,見解を構築する。 その結果, 動的エビデンスデカップリング戦略の有効性を検証し, CCMLが精度と信頼性の基準線を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-10-04T03:27:51Z)
• Navigating Conflicting Views: Harnessing Trust for Learning [5.4486293124577125]
  既存の信頼性フレームワークを強化するために,計算信頼に基づく割引手法を開発した。 提案手法は,Top-1精度,AUC-ROC for Uncertainty-Aware Prediction,Fleiss' Kappa,Multi-View Agreement with Ground Truthの6つの実世界のデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2024-06-03T03:22:18Z)
• 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)
• ELFNet: Evidential Local-global Fusion for Stereo Matching [17.675146012208124]
  ステレオマッチングのためのtextbfEvidential textbfLocal-global textbfFusion (ELF) フレームワークを提案する。 不確実性推定と信頼に値する頭部との信頼を意識した融合の両方を付与する。
  論文  参考訳（メタデータ） (2023-08-01T15:51:04Z)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• 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)
• 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)
• Variational Inference for Deep Probabilistic Canonical Correlation Analysis [49.36636239154184]
  線形多視点層と深層生成ネットワークを観測モデルとして構成した深部確率的多視点モデルを提案する。 潜在確率多視点層の後方分布を近似した効率的な変分推論法を開発した。 任意の数のビューを持つモデルへの一般化も提案されている。
  論文  参考訳（メタデータ） (2020-03-09T17:51:15Z)

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。