論文の概要: Are Independently Estimated View Uncertainties Comparable? Unified Routing for Trusted Multi-View Classification

• arxiv url: http://arxiv.org/abs/2604.09288v1
• Date: Fri, 10 Apr 2026 12:58:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.865222
• Title: Are Independently Estimated View Uncertainties Comparable? Unified Routing for Trusted Multi-View Classification
• Title（参考訳）: 独立して推定されたビュー不確かさは比較可能か?信頼されたマルチビュー分類のための統一ルーティング
• Authors: Yilin Zhang, Cai Xu, Haishun Chen, Ziyu Guan, Wei Zhao,
• Abstract要約: We propose Trusted Multi-view Learning with Unified Routing (TMUR) which decouples view-specific evidence extract from fusion arbitration。 TMURはビュープライベートの専門家と1人のコラボレーティブエキスパートを使用し、グローバルなマルチビューコンテキストを観察してサンプルレベルのエキスパートウェイトを生成する統一ルータを使用している。
• 参考スコア（独自算出の注目度）: 28.07900590930962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trusted multi-view classification typically relies on a view-wise evidential fusion process: each view independently produces class evidence and uncertainty, and the final prediction is obtained by aggregating these independent opinions. While this design is modular and uncertainty-aware, it implicitly assumes that evidence from different views is numerically comparable. In practice, however, this assumption is fragile. Different views often differ in feature space, noise level, and semantic granularity, while independently trained branches are optimized only for prediction correctness, without any constraint enforcing cross-view consistency in evidence strength. As a result, the uncertainty used for fusion can be dominated by branch-specific scale bias rather than true sample-level reliability. To address this issue, we propose Trusted Multi-view learning with Unified Routing (TMUR), which decouples view-specific evidence extraction from fusion arbitration. TMUR uses view-private experts and one collaborative expert, and employs a unified router that observes the global multi-view context to generate sample-level expert weights. Soft load-balancing and diversity regularization further encourage balanced expert utilization and more discriminative expert specialization. We also provide theoretical analysis showing why independent evidential supervision does not identify a common cross-view evidence scale, and why unified global routing is preferable to branch-local arbitration when reliability is sample-dependent.
• Abstract（参考訳）: 信頼された多視点の分類は、一般的に、視点的に明らかな融合プロセスに依存しており、それぞれの見解は、クラス証拠と不確実性を独立に生成し、最終的な予測は、これらの独立した意見を集約することによって得られる。 この設計はモジュール的で不確実性を認識しているが、異なる視点からの証拠は数値的に比較できると暗黙的に仮定している。 しかし実際には、この仮定は脆弱である。 特徴空間、雑音レベル、意味的な粒度の異なる見方がしばしばあるが、独立に訓練された分岐は、証拠強度において横断的な一貫性を強制することなく、予測の正確性のためにのみ最適化される。 その結果、核融合に使用される不確実性は真の試料レベルの信頼性よりも枝特異的なスケールバイアスによって支配される。 この問題に対処するために,統合ルーティング(TMUR)を用いたTrusted Multi-view Learningを提案する。 TMURはビュープライベートの専門家と1人のコラボレーティブエキスパートを使用し、グローバルなマルチビューコンテキストを観察してサンプルレベルのエキスパートウェイトを生成する統一ルータを使用している。 ソフトな負荷分散と多様性の規則化により、バランスのとれた専門家の活用とより差別的な専門家の専門化が促進される。 また,独立行政機関が共通のクロスビュー・エビデンス・スケールを特定できない理由や,信頼度に依存した分枝的仲裁よりも統一的グローバル・ルーティングが望ましい理由を理論的に分析した。

関連論文リスト

• Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance [69.58609684008964]
  本稿では,distriBution dUal-Consistency Recovery Guidanceを用いた不完全なマルチビュークラスタリング手法であるBURGを提案する。 我々は,各サンプルを別カテゴリとして扱い,欠落したビューの分布空間を予測するために,クロスビュー配信を行う。 信頼性の高いカテゴリ情報の欠如を補うために,隣り合った整合性によって案内されるビュー内アライメントと,プロトタイプ的な整合性によって案内されるクロスビューアライメントを含む二重整合性ガイド付きリカバリ戦略を設計する。
  論文  参考訳（メタデータ） (2025-03-14T02:27:45Z)
• 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)
• Navigating Conflicting Views: Harnessing Trust for Learning [5.776290041122041]
  我々は,エビデンシャル・マルチビュー・フレームワークを強化する計算信頼に基づく割引手法を開発した。 提案手法は,Top-1の精度,Fleiss' Kappa,および新たな測定基準であるMulti-View Agreement with Ground Truth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。
  論文  参考訳（メタデータ） (2024-06-03T03:22:18Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• 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)
• 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。