論文の概要: Stating Comparison Score Uncertainty and Verification Decision Confidence Towards Transparent Face Recognition

• arxiv url: http://arxiv.org/abs/2210.10354v1
• Date: Wed, 19 Oct 2022 07:43:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 14:36:00.854929
• Title: Stating Comparison Score Uncertainty and Verification Decision Confidence Towards Transparent Face Recognition
• Title（参考訳）: 透過型顔認識における比較スコアの不確かさと検証判断信頼の表明
• Authors: Marco Huber, Philipp Terh\"orst, Florian Kirchbuchner, Naser Damer, Arjan Kuijper
• Abstract要約: 顔比較スコアの不確かさを推定する手法を提案する。 第2に、検証決定に関する洞察を提供するためのシステムの決定に対する信頼度尺度を導入する。 比較スコアの不確かさと検証決定の信頼性の適合性は、3つの顔認識モデルで実験的に証明されている。
• 参考スコア（独自算出の注目度）: 13.555831336280407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face Recognition (FR) is increasingly used in critical verification decisions and thus, there is a need for assessing the trustworthiness of such decisions. The confidence of a decision is often based on the overall performance of the model or on the image quality. We propose to propagate model uncertainties to scores and decisions in an effort to increase the transparency of verification decisions. This work presents two contributions. First, we propose an approach to estimate the uncertainty of face comparison scores. Second, we introduce a confidence measure of the system's decision to provide insights into the verification decision. The suitability of the comparison scores uncertainties and the verification decision confidences have been experimentally proven on three face recognition models on two datasets.
• Abstract（参考訳）: 顔認識(FR)は、批判的な検証決定にますます使われており、そのような決定の信頼性を評価する必要がある。 決定の信頼性は、しばしばモデルの全体的なパフォーマンスや画像の品質に基づいています。 我々は,検証決定の透明性を高めるために,不確実性をスコアや決定に広めることを提案する。 この作品には2つの貢献がある。 まず,顔比較スコアの不確かさを推定する手法を提案する。 第2に、検証決定に関する洞察を提供するためのシステムの決定に対する信頼度尺度を導入する。 比較スコアの不確かさと検証決定信頼度は、2つのデータセット上の3つの顔認識モデルで実験的に証明されている。

関連論文リスト

• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• (Un)certainty of (Un)fairness: Preference-Based Selection of Certainly Fair Decision-Makers [0.0]
  公正度指標は、さまざまな領域にわたる意思決定プロセスにおける差別と偏見を評価するために使用される。 我々は差別評価を強化するために格差の不確実性を定量化する。 我々は、意思決定者よりも好みを定義し、最適な意思決定者を選択するためにブルートフォースを利用する。
  論文  参考訳（メタデータ） (2024-09-19T11:44:03Z)
• Explaining by Imitating: Understanding Decisions by Interpretable Policy Learning [72.80902932543474]
  観察されたデータから人間の行動を理解することは、意思決定における透明性と説明責任にとって重要である。 意思決定者の方針をモデル化することが困難である医療などの現実的な設定を考えてみましょう。 本稿では, 設計による透明性の向上, 部分観測可能性の確保, 完全にオフラインで動作可能なデータ駆動型意思決定行動の表現を提案する。
  論文  参考訳（メタデータ） (2023-10-28T13:06:14Z)
• Human-Aligned Calibration for AI-Assisted Decision Making [19.767213234234855]
  信頼度値が、意思決定者の予測に対する信頼度に関して自然な整合性を満たすならば、常に最適な意思決定方針が存在することを示す。 意思決定者自身の予測に対する自信に対するマルチキャリブレーションは、アライメントに十分な条件であることを示す。
  論文  参考訳（メタデータ） (2023-05-31T18:00:14Z)
• Measuring Classification Decision Certainty and Doubt [61.13511467941388]
  複数分類決定機械学習問題における予測の品質と不確実性を評価し,比較するため,直感的なスコアを提案する。
  論文  参考訳（メタデータ） (2023-03-25T21:31:41Z)
• Confidence-Calibrated Face and Kinship Verification [8.570969129199467]
  検証モデルにより、類似度スコアを任意の顔対に対する信頼スコアに変換することができる効果的な信頼度尺度を導入する。 また,実装が容易で,既存の検証モデルにも容易に適用可能な,信頼性校正アプローチであるAngular Scaling(ASC)を提案する。 我々の知識を最大限に活用するために、我々の研究は、現代の顔と親族関係の検証タスクに対する、初めての包括的信頼度校正ソリューションを提示した。
  論文  参考訳（メタデータ） (2022-10-25T10:43:46Z)
• Stability of Weighted Majority Voting under Estimated Weights [16.804588631149393]
  信頼を計算する(機械学習)アルゴリズムは、信頼度を体系的に過大評価したり過小評価しない場合、非バイアスと呼ばれる。 我々は、そのようなバイアスのない信頼値の2つの重要な特性、すなわち、正当性の安定性と最適性の安定性を紹介し、分析する。
  論文  参考訳（メタデータ） (2022-07-13T10:55:41Z)
• Learning Pareto-Efficient Decisions with Confidence [21.915057426589748]
  本稿では,結果が不確実な場合の多目的意思決定支援の問題点について考察する。 これにより、安全クリティカルなアプリケーションに関係のある末尾的な結果の観点から、意思決定間のトレードオフを定量化できます。
  論文  参考訳（メタデータ） (2021-10-19T11:32:17Z)
• Uncertainty as a Form of Transparency: Measuring, Communicating, and Using Uncertainty [66.17147341354577]
  我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。 モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。 この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
  論文  参考訳（メタデータ） (2020-11-15T17:26:14Z)
• Inducing Predictive Uncertainty Estimation for Face Recognition [102.58180557181643]
  顔画像の「マッドペア」から画像品質訓練データを自動的に生成する手法を提案する。 生成したデータを用いて、顔画像の信頼度を推定するために、PCNetと呼ばれる軽量な予測信頼ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-09-01T17:52:00Z)
• Inverse Active Sensing: Modeling and Understanding Timely Decision-Making [111.07204912245841]
  我々は,内因性,文脈依存型時間圧下でのエビデンスに基づく意思決定の一般的な設定のための枠組みを開発する。 意思決定戦略において、サプライズ、サスペンス、最適性の直感的な概念をモデル化する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-25T02:30:45Z)

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。