論文の概要: GEM-FI: Gated Evidential Mixtures with Fisher Modulation
- arxiv url: http://arxiv.org/abs/2605.03750v1
- Date: Tue, 05 May 2026 13:33:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.952404
- Title: GEM-FI: Gated Evidential Mixtures with Fisher Modulation
- Title（参考訳）: GEM-FI:魚介類を添加したガス化エビデンシャルミキサー
- Authors: Marco Mustafa Mohammed, Fatemeh Daneshfar, Pietro Liò,
- Abstract要約: Gated Evidential Mixtures (GEM) は、モデル内のエネルギー信号を学習し、それを証拠出力をエンドツーエンドにゲートするために利用するモデルのファミリーである。
GEM-FIはフィッシャーインフォームドレギュレータによる混合割り当てを安定化し、頭部崩壊を低減し、よりスムーズな境界不確実性を生み出す。
- 参考スコア（独自算出の注目度）: 13.281172506902353
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evidential Deep Learning (EDL) enables single-pass uncertainty estimation by predicting Dirichlet evidence, but it can remain overconfident and poorly calibrated, and it often fails to represent multi-modal epistemic uncertainty. We introduce Gated Evidential Mixtures (GEM), a family of models that learns an in-model energy signal and uses it to gate evidential outputs end-to-end in a distance-informed manner. GEM-CORE learns a feature-level energy and maps it to a bounded gate that smoothly suppresses evidence when support is low. To capture epistemic multi-modality without multi-pass ensembling, GEM-MIX adds a lightweight mixture of evidential heads with learned routing weights while preserving single-pass inference. Finally, GEM-FI stabilizes mixture allocations via a Fisher-informed regularizer, reducing head collapse and producing smoother boundary uncertainty. Across image classification and OOD detection benchmarks, GEM improves calibration and ID/OOD separation with single-pass inference. On CIFAR-10, GEM-FI vs. DAEDL improves accuracy from 91.11 to 93.75 (+2.64 pp), reduces Brier x100 from 14.27 to 6.81 (-7.46), and also improves misclassification-detection AUPR from 99.08 to 99.94 (+0.86). For epistemic OOD detection, GEM-FI achieves AUPR/AUROC of 92.59/95.09 on CIFAR-10 to SVHN and 90.20/89.06 on CIFAR-10 to CIFAR-100, compared with 85.54/89.30 and 88.19/86.10 for DAEDL.
- Abstract（参考訳）: Evidential Deep Learning (EDL) はディリクレの証拠を予測することによって単一パス不確実性の推定を可能にするが、過度に自信を持ち、校正が不十分であり、マルチモーダルなてんかんの不確実性を表すのに失敗することが多い。
Gated Evidential Mixtures (GEM) は、モデル内のエネルギー信号を学習し、遠距離インフォームで出力を終端にゲートするモデルである。
GEM-COREは特徴レベルのエネルギーを学習し、それを有界ゲートにマッピングし、支持率が低いときに証拠を円滑に抑制する。
GEM-MIXは,マルチパスのアンサンブルを伴わずに,単一パスの推論を保ちながら,学習したルーティング重みを持つ顕在的頭部の軽量な混合を付加する。
最後に、GEM-FIはフィッシャーインフォームドレギュレータによる混合割り当てを安定化し、頭部崩壊を低減し、よりスムーズな境界不確実性を生み出す。
画像分類とOOD検出ベンチマーク全体で、GEMはキャリブレーションとID/OOD分離をシングルパス推論で改善する。
CIFAR-10では、GEM-FI対DAEDLの精度は91.11から93.75(+2.64pp)に向上し、Brier x100を14.27から6.81(-7.46)に削減し、誤分類検出AUPRを99.08から99.94(+0.86)に改善した。
GEM-FIは、CIFAR-10で92.59/95.09、CIFAR-10で90.20/89.06、CIFAR-100で85.54/89.30、DAEDLで88.19/86.10のAUPR/AUROCを達成している。
関連論文リスト
- Trust-SSL: Additive-Residual Selective Invariance for Robust Aerial Self-Supervised Learning [6.479513353756828]
自己教師付き学習 (SSL) は、航空画像における表現学習の標準的手法である。
本研究では,このような汚職に対するSSLを強化するためのトレーニング戦略とアーキテクチャ修正を提案する。
この方法は、EuroSAT、AID、NWPU-RESISC45の6つのバックボーンの中で、最も高い平均線形プローブ精度を実現する。
論文 参考訳（メタデータ） (2026-04-23T07:07:59Z) - Aletheia: Physics-Conditioned Localized Artifact Attention (PhyLAA-X) for End-to-End Generalizable and Robust Deepfake Video Detection [0.0]
局所的アーティファクト注意(LAA-X)を物理条件で拡張したPhyLAAA-Xについて紹介する。
PhyLAA-Xは、光フローカール、スペクトル反射、空間的上昇をLAA-Xの注意に注入する。
これによりネットワークはセマンティックな矛盾や物理的違反が共起する境界を学習せざるを得なくなる。
論文 参考訳（メタデータ） (2026-04-13T08:14:50Z) - Predictive Entropy Links Calibration and Paraphrase Sensitivity in Medical Vision-Language Models [2.064612766965483]
我々は,MedGemma 4BITの分布MIMIC CXRと外分布PadChest chest X ray データセットの5つの不確実性定量化手法を示し,LLaVA RAD7Bのクロスアーキテクチャ検証を行った。
うまく校正された単一モデル法では、一方のフォワードパスからの予測エントロピーは、メドジェマのAUROC 0.711、LLaVARAD p 10 4の0.878、信頼できないと敏感な予測の両方を1つのエントロピーしきい値でフラグ付けることができる。
論文 参考訳（メタデータ） (2026-04-10T04:18:47Z) - Proof-Carrying Materials: Falsifiable Safety Certificates for Machine-Learned Interatomic Potentials [0.0]
安定フィルタとして用いられる1つのMLIPは、25,000の材料ベンチマークにおいて密度汎関数安定材料のうち93%を欠いていることを示す。
我々は,PCM(Proof-Carrying Materials)がこのギャップを,空間横断の対角的ファルシフィケーション,95%の信頼区間による構成封筒の洗練,Lean 4の正式な認証の3段階で埋めることを示した。
熱電スクリーニングのケーススタディでは、PCMが監査したプロトコルが、シングルMLIPスクリーニングで欠落した62の安定物質を発見し、発見効率は25%向上した。
論文 参考訳（メタデータ） (2026-03-12T17:13:25Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。
累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。
主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
論文 参考訳（メタデータ） (2026-02-10T21:08:53Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - Diffusion Denoising Process for Perceptron Bias in Out-of-distribution
Detection [67.49587673594276]
我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。
DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。
CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-11-21T08:45:08Z) - RegMixup: Mixup as a Regularizer Can Surprisingly Improve Accuracy and
Out Distribution Robustness [94.69774317059122]
学習目的として使うのではなく、標準のクロスエントロピー損失に対する追加の正則化剤として利用すれば、良好なミックスアップの有効性がさらに向上できることが示される。
この単純な変更は、精度を大幅に改善するだけでなく、Mixupの予測不確実性推定の品質を大幅に改善する。
論文 参考訳（メタデータ） (2022-06-29T09:44:33Z) - Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。
ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
論文 参考訳（メタデータ） (2020-03-21T17:46:28Z)
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。