論文の概要: Navigating Conflicting Views: Harnessing Trust for Learning
- arxiv url: http://arxiv.org/abs/2406.00958v1
- Date: Mon, 3 Jun 2024 03:22:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 02:37:18.758837
- Title: Navigating Conflicting Views: Harnessing Trust for Learning
- Title（参考訳）: 矛盾する視点をナビゲートする:学習に対する信頼を損なう
- Authors: Jueqing Lu, Lan Du, Wray Buntine, Myong Chol Jung, Joanna Dipnall, Belinda Gabbe,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.4486293124577125
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Resolving conflicts is essential to make the decisions of multi-view classification more reliable. Much research has been conducted on learning consistent informative representations among different views, assuming that all views are identically important and strictly aligned. However, real-world multi-view data may not always conform to these assumptions, as some views may express distinct information. To address this issue, we develop a computational trust-based discounting method to enhance the existing trustworthy framework in scenarios where conflicts between different views may arise. Its belief fusion process considers the trustworthiness of predictions made by individual views via an instance-wise probability-sensitive trust discounting mechanism. We evaluate our method on six real-world datasets, using Top-1 Accuracy, AUC-ROC for Uncertainty-Aware Prediction, Fleiss' Kappa, and a new metric called Multi-View Agreement with Ground Truth that takes into consideration the ground truth labels. The experimental results show that computational trust can effectively resolve conflicts, paving the way for more reliable multi-view classification models in real-world applications.
- Abstract（参考訳）: 対立を解決することは、多視点分類の決定をより信頼できるものにするために不可欠である。
すべての視点が同一に重要であり、厳密に整合していると仮定して、異なる視点における一貫した情報表現の学習について多くの研究がなされている。
しかし、現実のマルチビューデータは必ずしもこれらの仮定に従わないかもしれない。
この問題に対処するために,異なる視点の衝突が発生する可能性のあるシナリオにおいて,既存の信頼に値するフレームワークを強化するための,計算信頼に基づく割引手法を開発した。
その信念融合プロセスは、個別の視点による予測の信頼性を、確率に敏感な信頼割引機構を通じて考慮する。
提案手法は,Top-1精度,AUC-ROC for Uncertainty-Aware Prediction,Fleiss' Kappa,および基底真理ラベルを考慮したMulti-View Agreement with Ground Truthという新たな指標を用いて,実世界の6つのデータセットに対して評価を行った。
実験結果から,コンフリクトを効果的に解決し,実世界のアプリケーションにおいてより信頼性の高いマルチビュー分類モデルを実現する方法が示された。
関連論文リスト
- Reliable Conflictive Multi-View Learning [17.472467781912837]
本稿では,この問題に対するエビデンシャル・コンフリクト・マルチビュー・ラーニング(ECML)手法を提案する。
ECMLはビュー固有のエビデンスを学び、これはデータから収集された各カテゴリへのサポートの量と表現できる。
多視点融合の段階では、矛盾する意見集約戦略を提案する。
論文 参考訳（メタデータ） (2024-02-24T03:47:06Z) - 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) - Exploring and Exploiting Uncertainty for Incomplete Multi-View
Classification [47.82610025809371]
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。
論文 参考訳（メタデータ） (2023-04-11T11:57:48Z) - Birds of a Feather Trust Together: Knowing When to Trust a Classifier
via Adaptive Neighborhood Aggregation [30.34223543030105]
我々は、NeighborAggがアダプティブ近隣アグリゲーションを介して2つの重要な情報を利用する方法を示す。
また, 誤り検出の密接な関連課題へのアプローチを拡張し, 偽陰性境界に対する理論的カバレッジを保証する。
論文 参考訳（メタデータ） (2022-11-29T18:43:15Z) - Modeling Multiple Views via Implicitly Preserving Global Consistency and
Local Complementarity [61.05259660910437]
複数の視点から表現を学習するために,グローバルな一貫性と相補性ネットワーク(CoCoNet)を提案する。
グローバルな段階では、重要な知識はビュー間で暗黙的に共有され、そのような知識を捕捉するためのエンコーダの強化は、学習された表現の識別性を向上させることができる。
最後に、局所的な段階において、横断的な識別的知識を結合する相補的要素を提案し、また、エンコーダが視点的識別性だけでなく、横断的な相補的情報も学習するように誘導する。
論文 参考訳（メタデータ） (2022-09-16T09:24:00Z) - 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) - Exploring the Trade-off between Plausibility, Change Intensity and
Adversarial Power in Counterfactual Explanations using Multi-objective
Optimization [73.89239820192894]
自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。
本稿では, 対実例生成のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-05-20T15:02:53Z) - 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) - 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。