論文の概要: Beyond Unimodal: Generalising Neural Processes for Multimodal Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2304.01518v2
• Date: Mon, 23 Oct 2023 02:06:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 13:15:43.294491
• Title: Beyond Unimodal: Generalising Neural Processes for Multimodal Uncertainty Estimation
• Title（参考訳）: beyond unimodal: マルチモーダル不確実性推定のためのニューラルネットワークの一般化
• Authors: Myong Chol Jung, He Zhao, Joanna Dipnall, Lan Du
• Abstract要約: 不確実性推定は、ディープニューラルネットワーク(DNN)をより信頼できるものにするための重要な研究領域である。 マルチモーダル不確実性推定のためのNPを一般化したマルチモーダルニューラルプロセス(MNP)を提案する。 MNPは、NPの枠組みに基づいて、マルチモーダルデータの特徴に合わせた、いくつかの新しい、原則化されたメカニズムから構成される。
• 参考スコア（独自算出の注目度）: 8.208132494639763
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Uncertainty estimation is an important research area to make deep neural networks (DNNs) more trustworthy. While extensive research on uncertainty estimation has been conducted with unimodal data, uncertainty estimation for multimodal data remains a challenge. Neural processes (NPs) have been demonstrated to be an effective uncertainty estimation method for unimodal data by providing the reliability of Gaussian processes with efficient and powerful DNNs. While NPs hold significant potential for multimodal uncertainty estimation, the adaptation of NPs for multimodal data has not been carefully studied. To bridge this gap, we propose Multimodal Neural Processes (MNPs) by generalising NPs for multimodal uncertainty estimation. Based on the framework of NPs, MNPs consist of several novel and principled mechanisms tailored to the characteristics of multimodal data. In extensive empirical evaluation, our method achieves state-of-the-art multimodal uncertainty estimation performance, showing its appealing robustness against noisy samples and reliability in out-of-distribution detection with faster computation time compared to the current state-of-the-art multimodal uncertainty estimation method.
• Abstract（参考訳）: 不確実性推定は、ディープニューラルネットワーク(DNN)をより信頼できるものにするための重要な研究領域である。 単一モーダルデータを用いた不確実性推定の広範な研究は行われているが、マルチモーダルデータの不確実性推定は依然として課題である。 ニューラルプロセス (NP) は、ガウス過程の信頼性を効率よく強力なDNNで提供することにより、一助データに対する効果的な不確実性推定法として実証されている。 NPはマルチモーダル不確実性推定に有意な可能性を秘めているが、マルチモーダルデータに対するNPの適応は慎重に研究されていない。 このギャップを埋めるために、マルチモーダル不確実性推定のためのNPを一般化してマルチモーダルニューラルプロセス(MNP)を提案する。 npsの枠組みに基づいて、mnpはマルチモーダルデータの特徴に合わせたいくつかの新規で原理化されたメカニズムで構成されている。 提案手法は, 従来のマルチモーダル不確実性推定法と比較して, 高精度な計算時間で, ノイズの多いサンプルに対する頑健さと, 分布外検出の信頼性を示す。

関連論文リスト

• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Uncertainty in Natural Language Processing: Sources, Quantification, and Applications [56.130945359053776]
  NLP分野における不確実性関連作業の総合的なレビューを行う。 まず、自然言語の不確実性の原因を、入力、システム、出力の3つのタイプに分類する。 我々は,NLPにおける不確実性推定の課題について論じ,今後の方向性について論じる。
  論文  参考訳（メタデータ） (2023-06-05T06:46:53Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Uncertainty-aware Multi-modal Learning via Cross-modal Random Network Prediction [22.786774541083652]
  クロスモーダルランダムネットワーク予測(CRNP)による特徴密度の測定により不確かさを推定する不確実性認識型マルチモーダル学習器を提案する。 CRNPは、安定したトレーニングプロセスを持ちながら、異なる予測タスク間の変換にほとんど適応を必要としないように設計されている。
  論文  参考訳（メタデータ） (2022-07-22T03:00:10Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• 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)
• Interval Deep Learning for Uncertainty Quantification in Safety Applications [0.0]
  現在のディープニューラルネットワーク(DNN)は、重要な入力データの不確実性を定量化し伝播する暗黙のメカニズムを持っていない。 本稿では、間隔解析を用いて入力とパラメータの不確かさを定量化できる勾配法を最適化したDNNを提案する。 本研究では,Deep Interval Neural Network (DINN) が不確定な入力データから正確な有界推定を生成できることを示した。
  論文  参考訳（メタデータ） (2021-05-13T17:21:33Z)
• Multivariate Density Estimation with Deep Neural Mixture Models [0.0]
  ディープニューラルネットワーク(DNN)は密度推定にはほとんど適用されていない。 本稿では,ニューラルミクチャー密度(NMM)に関するこれまでの研究を拡張した。 深部NMM(Deep NMM)を推定するための最大形アルゴリズム(ML)が配される。 DNMMを通して任意の精度でモデル化できる確率密度関数のクラスが正式に定義される。
  論文  参考訳（メタデータ） (2020-12-06T23:03:48Z)
• Multi-Loss Sub-Ensembles for Accurate Classification with Uncertainty Estimation [1.2891210250935146]
  本稿では,ディープニューラルネットワーク(DNN)の高精度な不確実性推定手法を提案する。 我々は,Deep-Sub-Ensembles法によって提案される利点を利用して,推定時間を比較的低く保つ。 その結果,いくつかの不確実性対策における分類課題と競争結果の精度が向上した。
  論文  参考訳（メタデータ） (2020-10-05T10:59:11Z)

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。