論文の概要: Uncertainty-Aware Multimodal Learning via Conformal Shapley Intervals

• arxiv url: http://arxiv.org/abs/2602.00171v1
• Date: Fri, 30 Jan 2026 00:40:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.025272
• Title: Uncertainty-Aware Multimodal Learning via Conformal Shapley Intervals
• Title（参考訳）: 共形共有区間による不確実性を考慮したマルチモーダル学習
• Authors: Mathew Chandy, Michael Johnson, Judong Shen, Devan V. Mehrotra, Hua Zhou, Jin Zhou, Xiaowu Dai,
• Abstract要約: 不確実性とともにモダリティレベルの重要性を定量化することは、解釈可能で信頼性の高いマルチモーダル学習の中心である。 共形シェープリー値と共形推論を組み合わせたフレームワークである共形シェープリー区間を導入し,各モードに対する不確実性を考慮した重要区間を構築する。
• 参考スコア（独自算出の注目度）: 5.528044505444292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal learning combines information from multiple data modalities to improve predictive performance. However, modalities often contribute unequally and in a data dependent way, making it unclear which data modalities are genuinely informative and to what extent their contributions can be trusted. Quantifying modality level importance together with uncertainty is therefore central to interpretable and reliable multimodal learning. We introduce conformal Shapley intervals, a framework that combines Shapley values with conformal inference to construct uncertainty-aware importance intervals for each modality. Building on these intervals, we propose a modality selection procedure with a provable optimality guarantee: conditional on the observed features, the selected subset of modalities achieves performance close to that of the optimal subset. We demonstrate the effectiveness of our approach on multiple datasets, showing that it provides meaningful uncertainty quantification and strong predictive performance while relying on only a small number of informative modalities.
• Abstract（参考訳）: マルチモーダル学習は、複数のデータモダリティからの情報を組み合わせて予測性能を向上させる。 しかし、モダリティは、しばしば不平等かつデータ依存的な方法で寄与し、どのデータモダリティが真に情報的であり、そのコントリビューションがどの程度信頼できるかがはっきりしない。 したがって、不確実性とともにモダリティレベルの重要性を定量化することは、解釈可能で信頼性の高いマルチモーダル学習の中心である。 共形シェープリー値と共形推論を組み合わせたフレームワークである共形シェープリー区間を導入し,各モードに対する不確実性を考慮した重要区間を構築する。 これらの区間に基づいて, 最適性保証の証明可能なモード選択手順を提案する: 観測された特徴を条件に, 最適性の選択された部分集合は最適部分集合に近い性能を達成する。 提案手法の有効性を複数のデータセットに適用し,少数の情報モダリティにのみ依存しながら,有意義な不確実性定量化と強力な予測性能を提供することを示した。

関連論文リスト

• To Align or Not to Align: Strategic Multimodal Representation Alignment for Optimal Performance [13.520604242963897]
  トレーニング中のアライメント強度を正確に操作できる制御可能なコントラスト学習モジュールを提案する。 この結果から, 単調モデルの性能に対する明示的アライメントの影響は, データの特性と関係があることが示唆された。 混合情報分布におけるモダリティ固有信号と共有冗長性のバランスをとる最適アライメント強度を同定する。
  論文  参考訳（メタデータ） (2025-11-15T09:15:53Z)
• Active Multimodal Distillation for Few-shot Action Recognition [19.872938560809988]
  本稿では,タスク固有のコンテキストキューを用いて,各サンプルに対する信頼度を積極的に識別する新しいフレームワークを提案する。 我々のフレームワークはアクティブサンプル推論(ASI)モジュールを統合し、アクティブ推論を利用して信頼性の高いモダリティを予測する。 強化学習とは異なり、アクティブ推論は報酬をエビデンスに基づく選好に置き換え、より安定した予測を行う。
  論文  参考訳（メタデータ） (2025-06-16T10:10:56Z)
• Multi-Level Aware Preference Learning: Enhancing RLHF for Complex Multi-Instruction Tasks [81.44256822500257]
  RLHFは、人工知能システムと人間の好みを結びつける主要なアプローチとして登場した。 RLHFは、複雑なマルチインストラクションタスクに直面すると、不十分なコンプライアンス機能を示す。 本稿では,マルチインストラクション能力を向上させる新しいMAPL(Multi-level Aware Preference Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T08:33:11Z)
• Asymmetric Reinforcing against Multi-modal Representation Bias [59.685072206359855]
  マルチモーダル表現バイアス(ARM)に対する非対称強化法を提案する。 我々のARMは、条件付き相互情報を通じて支配的なモダリティを表現する能力を維持しながら、弱いモダリティを動的に強化する。 我々はマルチモーダル学習の性能を著しく改善し、不均衡なマルチモーダル学習の軽減に顕著な進展をもたらした。
  論文  参考訳（メタデータ） (2025-01-02T13:00:06Z)
• Missing Modality Prediction for Unpaired Multimodal Learning via Joint Embedding of Unimodal Models [6.610033827647869]
  実世界のシナリオでは、完全なマルチモーダルデータを一貫して取得することは重大な課題である。 これはしばしば、特定のモダリティのデータが欠落しているモダリティの問題につながる。 自己教師型共同埋め込み学習手法を用いて, パラメータ効率のよい未学習モデルの微調整を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-17T14:44:25Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Unified Multi-modal Unsupervised Representation Learning for Skeleton-based Action Understanding [62.70450216120704]
  教師なしの事前訓練は骨格に基づく行動理解において大きな成功を収めた。 我々はUmURLと呼ばれる統一マルチモーダル非教師なし表現学習フレームワークを提案する。 UmURLは効率的な早期融合戦略を利用して、マルチモーダル機能を単一ストリームで共同でエンコードする。
  論文  参考訳（メタデータ） (2023-11-06T13:56:57Z)
• Multimodal Learning Without Labeled Multimodal Data: Guarantees and Applications [90.6849884683226]
  ラベル付き単調データのみを用いた半教師付き環境における相互作用定量化の課題について検討する。 相互作用の正確な情報理論的定義を用いて、我々の重要な貢献は下界と上界の導出である。 本稿では、これらの理論結果を用いてマルチモーダルモデルの性能を推定し、データ収集をガイドし、様々なタスクに対して適切なマルチモーダルモデルを選択する方法について述べる。
  論文  参考訳（メタデータ） (2023-06-07T15:44:53Z)
• Greedy Modality Selection via Approximate Submodular Maximization [19.22947539760366]
  マルチモーダル学習は、異質な情報ソースを融合することを目的としたマルチモーダルデータからの学習を検討する。 メモリ制約のため、利用可能なすべてのモダリティを活用することが常に可能であるとは限らない。 本研究では,ある計算制約の下で最も情報的かつ補完的なモダリティを効率的に選択することを目的としたモダリティ選択について検討する。
  論文  参考訳（メタデータ） (2022-10-22T22:07:27Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。