論文の概要: Context-specific Credibility-aware Multimodal Fusion with Conditional Probabilistic Circuits

• arxiv url: http://arxiv.org/abs/2603.26629v1
• Date: Fri, 27 Mar 2026 17:29:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.618458
• Title: Context-specific Credibility-aware Multimodal Fusion with Conditional Probabilistic Circuits
• Title（参考訳）: 条件付き確率回路を用いたコンテキスト特異性を考慮したマルチモーダルフュージョン
• Authors: Pranuthi Tenali, Sahil Sidheekh, Saurabh Mathur, Erik Blasch, Kristian Kersting, Sriraam Natarajan,
• Abstract要約: C$2$MFは、コンテキストに特有な信頼性を意識したマルチモーダル融合フレームワークである。 CSIC(Context-Specific Information Credibility)によるインスタンスレベルの信頼性の形式化 C$2$MFは,高雑音条件下での静的信頼性ベースラインよりも最大29%精度が向上することを示す。
• 参考スコア（独自算出の注目度）: 44.17431954751685
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal fusion requires integrating information from multiple sources that may conflict depending on context. Existing fusion approaches typically rely on static assumptions about source reliability, limiting their ability to resolve conflicts when a modality becomes unreliable due to situational factors such as sensor degradation or class-specific corruption. We introduce C$^2$MF, a context-specfic credibility-aware multimodal fusion framework that models per-instance source reliability using a Conditional Probabilistic Circuit (CPC). We formalize instance-level reliability through Context-Specific Information Credibility (CSIC), a KL-divergence-based measure computed exactly from the CPC. CSIC generalizes conventional static credibility estimates as a special case, enabling principled and adaptive reliability assessment. To evaluate robustness under cross-modal conflicts, we propose the Conflict benchmark, in which class-specific corruptions deliberately induce discrepancies between different modalities. Experimental results show that C$^2$MF improves predictive accuracy by up to 29% over static-reliability baselines in high-noise settings, while preserving the interpretability advantages of probabilistic circuit-based fusion.
• Abstract（参考訳）: マルチモーダル融合は、コンテキストによって矛盾する可能性のある複数のソースからの情報を統合する必要がある。 既存の融合アプローチは、典型的にはソース信頼性に関する静的な仮定に依存しており、センサー劣化やクラス固有の腐敗といった状況要因により、モダリティが信頼できないときに競合を解決する能力を制限する。 C$^2$MFは,CPC(Conditional Probabilistic Circuit)を用いて,インスタンスソース当たりの信頼性をモデル化する,コンテキスト固有信頼性を考慮したマルチモーダル融合フレームワークである。 我々は,CPC から正確に計算された KL 分割に基づく尺度である Context-Specific Information Credibility (CSIC) を用いて,インスタンスレベルの信頼性を定式化する。 CSICは、従来の静的信頼性推定を特別なケースとして一般化し、原理的かつ適応的な信頼性評価を可能にする。 クロスモーダル競合下でのロバスト性を評価するために、クラス固有の汚職が異なるモダリティ間の相違を意図的に誘発するConflictベンチマークを提案する。 実験の結果,C$^2$MFは高雑音条件下での静的信頼性ベースラインよりも最大29%精度が向上し,確率的回路ベース融合の解釈可能性の利点が保たれた。

関連論文リスト

• Trust in One Round: Confidence Estimation for Large Language Models via Structural Signals [13.89434979851652]
  大規模言語モデル(LLM)は、エラーが社会的、科学的、安全コストの高い領域にますます展開されている。 本稿では,出力の正確性を予測する単一パスモデル依存フレームワークであるStructure Confidenceを提案する。
  論文  参考訳（メタデータ） (2026-02-01T02:35:59Z)
• FaithCoT-Bench: Benchmarking Instance-Level Faithfulness of Chain-of-Thought Reasoning [62.452350134196934]
  FaithCoT-Benchは、インスタンスレベルのCoT不信検出のための統一ベンチマークである。 我々の枠組みは差別的な決定問題として不誠実検出を定式化している。 FaithCoT-Bench は LLM のより解釈可能で信頼性の高い推論に向けた将来の研究の基盤となる。
  論文  参考訳（メタデータ） (2025-10-05T05:16:54Z)
• Uncertainty-driven Embedding Convolution [16.523816971857787]
  不確実性駆動型埋め込み畳み込み(UEC)を提案する。 UECは決定論的埋め込みをポストホックな方法で確率論的に変換する。 その後、埋め込みの不確実性に基づいて適応アンサンブル重みを計算する。
  論文  参考訳（メタデータ） (2025-07-28T11:15:25Z)
• 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)
• Credibility-Aware Multi-Modal Fusion Using Probabilistic Circuits [26.501564150905175]
  差別学習における後期マルチモーダル融合の問題点を考察する。 ノイズの多いマルチソースドメインをモチベーションとし、マルチモーダル融合の文脈における信頼性の概念を探求する。
  論文  参考訳（メタデータ） (2024-03-05T19:25:55Z)
• 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)

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。