論文の概要: To Impute or Not: Recommendations for Multibiometric Fusion
- arxiv url: http://arxiv.org/abs/2408.07883v1
- Date: Thu, 15 Aug 2024 01:54:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-16 15:19:12.823497
- Title: To Impute or Not: Recommendations for Multibiometric Fusion
- Title（参考訳）: To Impute or not: Recommendations for Multibiometric Fusion
- Authors: Melissa R Dale, Elliot Singer, Bengt J. Borgström, Arun Ross,
- Abstract要約: 3つのマルチモーダルバイオメトリックスコアデータセットに対する様々なスコア計算手法の評価を行った。
トレーニングデータにおけるクラスバランシングは、計算手法における負のバイアスを軽減するために不可欠である。
- 参考スコア（独自算出の注目度）: 12.095385419245007
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Combining match scores from different biometric systems via fusion is a well-established approach to improving recognition accuracy. However, missing scores can degrade performance as well as limit the possible fusion techniques that can be applied. Imputation is a promising technique in multibiometric systems for replacing missing data. In this paper, we evaluate various score imputation approaches on three multimodal biometric score datasets, viz. NIST BSSR1, BIOCOP2008, and MIT LL Trimodal, and investigate the factors which might influence the effectiveness of imputation. Our studies reveal three key observations: (1) Imputation is preferable over not imputing missing scores, even when the fusion rule does not require complete score data. (2) Balancing the classes in the training data is crucial to mitigate negative biases in the imputation technique towards the under-represented class, even if it involves dropping a substantial number of score vectors. (3) Multivariate imputation approaches seem to be beneficial when scores between modalities are correlated, while univariate approaches seem to benefit scenarios where scores between modalities are less correlated.
- Abstract（参考訳）: 異なるバイオメトリックシステムからのマッチングスコアを融合させることは、認識精度を向上させるための確立されたアプローチである。
しかし、欠落したスコアは性能を低下させ、適用可能な融合技術を制限することができる。
インパテーションは、欠落したデータを置き換えるためのマルチバイオメトリックシステムにおいて有望な手法である。
本稿では,3つのマルチモーダルバイオメトリックスコアデータセットであるvizについて,様々なスコア計算手法の評価を行う。
NIST BSSR1, BIOCOP2008, MIT LL Trimodal は, インキュベーションの有効性に影響を与える因子について検討した。
本研究は,(1) 核融合規則が完全スコアデータを必要としない場合でも, 欠点を含まないことよりも, インパルス化が望ましいことを明らかにする。
2) 学習データにおける授業のバランシングは, かなりの数のスコアベクトルを落としても, 計算手法における負のバイアスを軽減するために重要である。
3)多変量計算手法は,モダリティ間のスコアの相関が低い場合,一変量法はモダリティ間のスコアの相関が低い場合のシナリオに有用であると考えられる。
関連論文リスト
- BAMITA: Bayesian Multiple Imputation for Tensor Arrays [4.111762232988317]
フレキシブルベイズフレームワークにおけるテンソルに対する多重計算手法を提案する。
我々のモデルは、CANDECOMP/PARAFAC(CP)因子化のために効率的で広く適用可能な共役前駆体を用いる。
また, 個体群の多様性の傾向を推定するために, 完全な微生物組織プロファイルの不確かさを正確に把握できることが示唆された。
論文 参考訳（メタデータ） (2024-10-30T19:30:23Z) - On Missing Scores in Evolving Multibiometric Systems [9.700630422387974]
簡易な和融合と各種スコア計算法の応用により,認識精度が向上することを示す。
実験により, インキュベーション後の核融合は, インキュベーションを伴わない核融合よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-08-21T01:47:06Z) - Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。
異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。
この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
論文 参考訳（メタデータ） (2024-07-20T12:42:24Z) - IRTCI: Item Response Theory for Categorical Imputation [5.9952530228468754]
欠落したデータをスタンドイン値に置き換えるために、いくつかの計算手法が設計されている。
ここで紹介された作品は、アイテム応答理論(IRT)に基づく分類論的計算の新しい手段を提供する。
これらの手法を比較した分析は、3つの異なるデータセットで行われた。
論文 参考訳（メタデータ） (2023-02-08T16:17:20Z) - Quality-Based Conditional Processing in Multi-Biometrics: Application to
Sensor Interoperability [63.05238390013457]
2007年のバイオセキュリティ・マルチモーダル・アセスメント・キャンペーンにおいて,ATVS-UAM融合手法を品質ベースで評価し,評価を行った。
我々のアプローチは線形ロジスティック回帰に基づいており、融合したスコアはログライクな比率になる傾向にある。
その結果,提案手法はルールベースの核融合方式よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-11-24T12:11:22Z) - Multiple Imputation with Neural Network Gaussian Process for
High-dimensional Incomplete Data [9.50726756006467]
既存のメソッドにはいくつかの制限があるが、Imputationはおそらく欠落データを扱う最も一般的な方法である。
2つのNNGPに基づくMI手法、すなわちMI-NNGPを提案する。
MI-NNGP法は, 合成および実データに対して, 既存の最先端手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2022-11-23T20:54:26Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-11T03:38:16Z) - A Statistical Analysis of Summarization Evaluation Metrics using
Resampling Methods [60.04142561088524]
信頼区間は比較的広く,信頼性の高い自動測定値の信頼性に高い不確実性を示す。
多くのメトリクスはROUGEよりも統計的改善を示していないが、QAEvalとBERTScoreという2つの最近の研究は、いくつかの評価設定で行われている。
論文 参考訳（メタデータ） (2021-03-31T18:28:14Z) - Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。
本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。
単純な極大解は様々な微分可能なモデルに適用できる。
論文 参考訳（メタデータ） (2020-04-14T06:18:50Z)
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。