論文の概要: Exploring and Exploiting Uncertainty for Incomplete Multi-View Classification

• arxiv url: http://arxiv.org/abs/2304.05165v1
• Date: Tue, 11 Apr 2023 11:57:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 15:02:26.041930
• Title: Exploring and Exploiting Uncertainty for Incomplete Multi-View Classification
• Title（参考訳）: 不完全多視点分類の不確かさの探索と活用
• Authors: Mengyao Xie, Zongbo Han, Changqing Zhang, Yichen Bai, Qinghua Hu
• Abstract要約: 不確実性による不完全多視点データ分類(UIMC)モデルを提案し,不完全多視点データを分類する。 具体的には、各欠落したデータを、利用可能なビューに基づいて分散条件でモデル化し、不確実性を導入する。 本手法は,信頼性と信頼性の両方の観点から,最先端の性能を確立する。
• 参考スコア（独自算出の注目度）: 47.82610025809371
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classifying incomplete multi-view data is inevitable since arbitrary view missing widely exists in real-world applications. Although great progress has been achieved, existing incomplete multi-view methods are still difficult to obtain a trustworthy prediction due to the relatively high uncertainty nature of missing views. First, the missing view is of high uncertainty, and thus it is not reasonable to provide a single deterministic imputation. Second, the quality of the imputed data itself is of high uncertainty. To explore and exploit the uncertainty, we propose an Uncertainty-induced Incomplete Multi-View Data Classification (UIMC) model to classify the incomplete multi-view data under a stable and reliable framework. We construct a distribution and sample multiple times to characterize the uncertainty of missing views, and adaptively utilize them according to the sampling quality. Accordingly, the proposed method realizes more perceivable imputation and controllable fusion. Specifically, we model each missing data with a distribution conditioning on the available views and thus introducing uncertainty. Then an evidence-based fusion strategy is employed to guarantee the trustworthy integration of the imputed views. Extensive experiments are conducted on multiple benchmark data sets and our method establishes a state-of-the-art performance in terms of both performance and trustworthiness.
• Abstract（参考訳）: 不完全なマルチビューデータの分類は、現実のアプリケーションに広く存在しない任意のビューが存在するため、避けられない。 大きな進歩はあったが、既存の不完全なマルチビュー手法は、失われたビューが比較的不確実性が高いため、信頼に値する予測を得ることは依然として困難である。 第一に、欠如した見解は不確実性が高く、1つの決定論的含意を与えるのは合理的ではない。 第二に、インプットされたデータの品質は高い不確実性である。 この不確実性を探索し、活用するために、安定かつ信頼性の高いフレームワークの下で不完全多視点データ分類(UIMC)モデルを提案する。 本研究では,不確かさを特徴付けるために,複数回の分布とサンプルを作成し,そのサンプリング品質に応じて適応的に活用する。 そこで,提案手法はより知覚可能な計算と制御可能な融合を実現する。 具体的には、各欠落したデータを、利用可能なビューに基づいて分散条件でモデル化し、不確実性を導入する。 次にエビデンスに基づく核融合戦略を用いて、虚偽の見解の信頼に値する統合を保証する。 複数のベンチマークデータセットに対して大規模な実験を行い,性能と信頼性の両面で最先端の性能を確立する。

関連論文リスト

• Uncertainty Quantification via Hölder Divergence for Multi-View Representation Learning [18.419742575630217]
  本稿では,H"older Divergence (HD)に基づく新しいアルゴリズムを導入し,多視点学習の信頼性を高める。 デンプスター・シェーファー理論を通じて、異なるモダリティからの不確実性の統合により、包括的な結果が生成される。 数学的には、HDは実際のデータ分布とモデルの予測分布の間の距離'をよりよく測定できることを証明している。
  論文  参考訳（メタデータ） (2024-10-29T04:29:44Z)
• Evidential Deep Partial Multi-View Classification With Discount Fusion [24.139495744683128]
  Evidential Deep partial Multi-View Classification (EDP-MVC) と呼ばれる新しいフレームワークを提案する。 欠落したビューに対処するためにK-means命令を使用し、マルチビューデータの完全なセットを作成します。 この暗示されたデータ内の潜在的な衝突や不確実性は、下流の推論の信頼性に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-08-23T14:50:49Z)
• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Uncertainty Estimation for Multi-view Data: The Power of Seeing the Whole Picture [5.868139834982011]
  ニューラルネットワークを現実世界のアプリケーションで信頼できるものにするためには、不確実性推定が不可欠である。 そこで本研究では,不確実性評価と領域外サンプル検出のための新しい多視点分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T04:47:51Z)
• 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)
• Uncertainty-Aware Multi-View Representation Learning [53.06828186507994]
  動的不確実性認識ネットワーク(DUA-Nets)と呼ばれる新しい教師なし多視点学習手法を考案する。 生成視点から推定されるデータの不確実性により、複数の視点からの固有情報が統合され、ノイズのない表現が得られる。 本モデルでは, 広範囲な実験において優れた性能を示し, ノイズの多いデータに対するロバスト性を示す。
  論文  参考訳（メタデータ） (2022-01-15T07:16:20Z)
• 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。