論文の概要: Uncertainty Quantification for Incomplete Multi-View Data Using Divergence Measures

• arxiv url: http://arxiv.org/abs/2507.09980v1
• Date: Mon, 14 Jul 2025 06:55:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.45641
• Title: Uncertainty Quantification for Incomplete Multi-View Data Using Divergence Measures
• Title（参考訳）: ダイバージェンス対策を用いた不完全多視点データの不確かさ定量化
• Authors: Zhipeng Xue, Yan Zhang, Ming Li, Chun Li, Yue Liu, Fei Yu,
• Abstract要約: KPHD-Netは、H"older divergence"に基づくマルチビュー分類とクラスタリングタスクのために提案されている。 我々の理論的分析は、H'olderの発散が分布の相違をより効果的に測定できることを証明している。 大規模な実験により、提案手法は分類タスクとクラスタリングタスクの両方において現在の最先端手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 16.7647980166695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing multi-view classification and clustering methods typically improve task accuracy by leveraging and fusing information from different views. However, ensuring the reliability of multi-view integration and final decisions is crucial, particularly when dealing with noisy or corrupted data. Current methods often rely on Kullback-Leibler (KL) divergence to estimate uncertainty of network predictions, ignoring domain gaps between different modalities. To address this issue, KPHD-Net, based on H\"older divergence, is proposed for multi-view classification and clustering tasks. Generally, our KPHD-Net employs a variational Dirichlet distribution to represent class probability distributions, models evidences from different views, and then integrates it with Dempster-Shafer evidence theory (DST) to improve uncertainty estimation effects. Our theoretical analysis demonstrates that Proper H\"older divergence offers a more effective measure of distribution discrepancies, ensuring enhanced performance in multi-view learning. Moreover, Dempster-Shafer evidence theory, recognized for its superior performance in multi-view fusion tasks, is introduced and combined with the Kalman filter to provide future state estimations. This integration further enhances the reliability of the final fusion results. Extensive experiments show that the proposed KPHD-Net outperforms the current state-of-the-art methods in both classification and clustering tasks regarding accuracy, robustness, and reliability, with theoretical guarantees.
• Abstract（参考訳）: 既存のマルチビュー分類とクラスタリング手法は、通常、異なるビューからの情報を活用し、融合することによってタスクの精度を向上させる。 しかし、特にノイズや破損したデータを扱う場合、マルチビュー統合と最終決定の信頼性を保証することが重要である。 現在の手法は、異なるモダリティ間のドメインギャップを無視して、ネットワーク予測の不確実性を推定するために、KL(Kullback-Leibler)の発散に依存することが多い。 この問題に対処するため、マルチビュー分類とクラスタリングタスクのために、H\"older divergenceに基づくKPHD-Netを提案する。 一般に、我々のKPHD-Netは、クラス確率分布を表現するために変分ディリクレ分布を使用し、異なる視点から証拠をモデル化し、不確実性推定効果を改善するためにデンプスター・シェーファーエビデンス理論(DST)と統合する。 理論的解析により,H\ より古い分散度は,多視点学習における性能の向上を確実にし,分散の相違度をより効果的に測定できることが示されている。 さらに,多視点核融合における優れた性能が認められたDempster-Shaferエビデンス理論を導入し,今後の状態推定を行うためにKalmanフィルタと組み合わせた。 この統合により、最終融合結果の信頼性がさらに向上する。 KPHD-Netは, 精度, 堅牢性, 信頼性に関する分類とクラスタリングの両タスクにおいて, 理論的保証により, 最先端の手法よりも優れていることを示す。

関連論文リスト

• Uncertainty Quantification via Hölder Divergence for Multi-View Representation Learning [18.076966572539547]
  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)
• 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)
• 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 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)
• 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)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。