論文の概要: Serial fusion of multi-modal biometric systems
- arxiv url: http://arxiv.org/abs/2401.13418v1
- Date: Wed, 24 Jan 2024 12:30:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 14:45:27.240913
- Title: Serial fusion of multi-modal biometric systems
- Title(参考訳): 多モードバイオメトリックシステムのシリアル融合
- Authors: Gian Luca Marcialis, Paolo Mastinu, and Fabio Roli
- Abstract要約: 複数のバイオメトリック・マーカのシリアルまたはシーケンシャルな融合は、これまで完全には研究されていない。
本稿では,このようなシステムの性能評価のための新しい理論的枠組みを提案する。
- 参考スコア(独自算出の注目度): 6.699652823264316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Serial, or sequential, fusion of multiple biometric matchers has been not
thoroughly investigated so far. However, this approach exhibits some advantages
with respect to the widely adopted parallel approaches. In this paper, we
propose a novel theoretical framework for the assessment of performance of such
systems, based on a previous work of the authors. Benefits in terms of
performance are theoretically evaluated, as well as estimation errors in the
model parameters computation. Model is analyzed from the viewpoint of its pros
and cons, by mean of preliminary experiments performed on NIST Biometric Score
Set 1.
- Abstract(参考訳): 複数のバイオメトリック・マーカのシリアルまたはシーケンシャルな融合は、これまで完全には研究されていない。
しかし、このアプローチは広く採用されている並列アプローチに対していくつかの利点を示す。
本稿では,著者の以前の研究に基づいて,このようなシステムの性能評価のための新たな理論的枠組みを提案する。
性能面での利点は理論的に評価され、モデルパラメータ計算における推定誤差も評価される。
NIST Biometric Score Set 1 で行った予備実験により, モデルとその長所と短所の観点から解析した。
関連論文リスト
- BRiTE: Bootstrapping Reinforced Thinking Process to Enhance Language Model Reasoning [78.63421517563056]
大規模言語モデル(LLM)は複雑な推論タスクにおいて顕著な機能を示した。
本稿では,新しいグラフィカルモデルを用いてLLM推論を定式化する統一確率的フレームワークを提案する。
本稿では,Bootstrapping Reinforced Thinking Process (BRiTE)アルゴリズムについて述べる。
論文 参考訳(メタデータ) (2025-01-31T02:39:07Z) - Learning to Plan & Reason for Evaluation with Thinking-LLM-as-a-Judge [78.28188747489769]
そこで我々は,Thinking-LLM-as-a-Judgeの優先最適化アルゴリズムであるEvalPlannerを提案する。
自己学習ループでは、EvalPlannerは、合成的に構築された評価計画と実行よりも反復的に最適化する。
提案手法はRewardBenchにおける生成報酬モデルのための新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2025-01-30T02:21:59Z) - Pairwise Comparisons without Stochastic Transitivity: Model, Theory and Applications [2.4938353164011446]
遷移性の仮定を伴わないペアワイズ比較データに対する統計モデル群を提案する。
提案した推定器は、データの空間レベルに効果的に適応するミニマックスレート最適性を達成する。
論文 参考訳(メタデータ) (2025-01-13T16:05:41Z) - Standing on the shoulders of giants [0.0]
アイテム応答理論(IRT)は、インスタンスの潜在特性のレベルの評価を可能にする。
IRTは従来のメトリクスを補完するものではなく、特定のインスタンスにおけるモデルの詳細な振る舞いを評価および観察する新しいレイヤを提供することによって、古典的なメトリクスを補完します。
論文 参考訳(メタデータ) (2024-09-05T00:58:07Z) - Top-K Pairwise Ranking: Bridging the Gap Among Ranking-Based Measures for Multi-Label Classification [120.37051160567277]
本稿では,Top-K Pairwise Ranking(TKPR)という新しい尺度を提案する。
一連の分析により、TKPRは既存のランキングベースの尺度と互換性があることが示されている。
一方,データ依存縮約法という新しい手法に基づいて,提案手法の急激な一般化を確立する。
論文 参考訳(メタデータ) (2024-07-09T09:36:37Z) - Multiparameter regularization and aggregation in the context of polynomial functional regression [2.1960518939650475]
本稿では,複数のパラメータの正規化のためのアルゴリズムを導入し,関連するパラメータを扱うための理論的基礎的手法を提案する。
提案手法の有効性は, 人工医療データと実世界の医療データの両方を用いて評価し, 有望な結果が得られた。
論文 参考訳(メタデータ) (2024-05-07T09:26:20Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - New bootstrap tests for categorical time series. A comparative study [4.869045108760265]
分類過程間の相似性尺度に依存する3つの試験を提案する。
差分分布と両プロセスのシリアル依存パターンの相違を評価できる3つの特定の距離を考慮し,実験を行った。
生物学的配列を含む応用は、提案手法の有用性を強調している。
論文 参考訳(メタデータ) (2023-04-30T12:35:28Z) - Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。
推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。
本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
論文 参考訳(メタデータ) (2021-07-28T16:29:38Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z)
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。