論文の概要: A Conflict-aware Evidential Framework for Reliable Sleep Stage Classification

• arxiv url: http://arxiv.org/abs/2605.17021v1
• Date: Sat, 16 May 2026 14:47:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.495223
• Title: A Conflict-aware Evidential Framework for Reliable Sleep Stage Classification
• Title（参考訳）: 信頼性のある睡眠段階分類のための矛盾認識型エビデンシャルフレームワーク
• Authors: Yunzhi Tian, Dekui Wang, Qirong Bu, Wei Zhou, Xingxing Hao, Jun Feng,
• Abstract要約: マルチモードデータを用いた睡眠段階分類には多視点学習が広く応用されている。 既存の手法は通常、異なるモダリティが適切に整合していると仮定するが、現実のシナリオではしばしば達成不可能である。 我々は、相互の対立を動的に解決する、競合を意識した明らかなフレームワークConfSleepNetを提案する。
• 参考スコア（独自算出の注目度）: 7.71409567035344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-view learning has been widely applied for sleep stage classification using multi-modal data. However, existing methods typically assume that different modalities are well-aligned, which is often unattainable in real-world scenarios, thereby compromising the reliability of the staging results. In this paper, we propose ConfSleepNet, a conflict-aware evidential framework that dynamically resolves inter-view conflicts. The framework consists of multi-view evidence extraction and conflict-aware aggregation. In the first phase, it learns category-related evidence from different modalities, which represents the degree of support for individual sleep stages. Considering the inherent characteristics of varying modalities, we propose hybrid category structures for different modalities to promote more reasonable evidence learning. In the second phase, view-specific opinions, including prediction results and uncertainty, are constructed from the learned evidence. Notably, we propose a novel conflict-aware aggregation method that integrates these view-specific opinions into a reliable joint decision. This mechanism can effectively resolve conflicts among opinions and synthesize them into a reliable joint decision. Both theoretical analysis and experimental results demonstrate the effectiveness of ConfSleepNet in sleep staging tasks. The code is available at https://github.com/By4te/ConfSleepNet_ICML2026/.
• Abstract（参考訳）: マルチモードデータを用いた睡眠段階分類には多視点学習が広く応用されている。 しかし、既存の手法は通常、異なるモダリティが適切に整合していると仮定し、現実のシナリオではしばしば達成不可能であり、その結果、ステージング結果の信頼性を損なう。 本稿では、ビュー間の競合を動的に解決する、競合を意識した明らかなフレームワークConfSleepNetを提案する。 フレームワークは多視点エビデンス抽出とコンフリクト対応アグリゲーションで構成されている。 第1フェーズでは、個別の睡眠ステージのサポート度合いを表す異なるモードからカテゴリ関連エビデンスを学習する。 様々なモダリティの性質を考慮し、より合理的なエビデンス学習を促進するために、異なるモダリティのためのハイブリッドカテゴリ構造を提案する。 第2段階では、学習された証拠から、予測結果や不確実性を含む視点特異的な意見が構築される。 特に,これらの視点に特有な意見を信頼性のある共同決定に組み込む,新たなコンフリクト対応集約手法を提案する。 このメカニズムは意見の対立を効果的に解決し、それらを信頼できる共同決定に合成することができる。 理論的解析と実験結果の両方が、睡眠ステージングタスクにおけるConfSleepNetの有効性を示している。 コードはhttps://github.com/By4te/ConfSleepNet_ICML2026/で公開されている。

関連論文リスト

• Diagnosing Knowledge Conflict in Multimodal Long-Chain Reasoning [78.86309644343295]
  長い連鎖推論におけるマルチモーダルな大言語モデル(MLLM)は、異なる知識源が矛盾する信号を提供するときにしばしば失敗する。 我々は、これらの失敗を知識の衝突という統一概念の下で形式化し、入力レベルの客観的衝突とプロセスレベルの効果的な衝突を区別する。 本研究は,知識衝突下でのマルチモーダル推論のメカニズムを考察し,長CoT障害の診断と制御を可能にする。
  論文  参考訳（メタデータ） (2026-02-16T07:10:44Z)
• Towards Uniformity and Alignment for Multimodal Representation Learning [66.87764574237532]
  マルチモーダル体制における2つの対立は、モダリティの数が増えるにつれて悪化する。 マルチモーダル表現に対するアライメントと均一性の原理的分離を提案する。 次に,本手法が複数モード分布上の大域的Hlder分散の効率的なプロキシとして機能することを理論的に保証する。
  論文  参考訳（メタデータ） (2026-02-10T08:08:07Z)
• Compose and Fuse: Revisiting the Foundational Bottlenecks in Multimodal Reasoning [49.17801010041155]
  MLLM(Multimodal large language model)は、テキスト、ビジョン、オーディオなどの多様な入力を統合することで推論を強化することを約束する。 しかし、追加のモダリティがパフォーマンスを損なうかどうかについての報告は相反する。 我々は、多モーダル推論を6つの相互作用パターンに分類し、事実がどのようにモダリティに分散され、論理的に組み合わせられるかを決定する。
  論文  参考訳（メタデータ） (2025-09-28T08:46:11Z)
• Multimodal Learning with Uncertainty Quantification based on Discounted Belief Fusion [3.66486428341988]
  医療、金融、自動運転といった分野では、マルチモーダルAIモデルがますます使われています。 騒音、不十分な証拠、モダリティ間の紛争に起因する不確実性は、信頼できる意思決定に不可欠である。 本稿では,命令不変なエビデンス融合を用いた新しいマルチモーダル学習手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T22:37:18Z)
• Dynamic Evidence Decoupling for Trusted Multi-view Learning [17.029245880233816]
  本稿では,一貫性と相補性を考慮したマルチビューラーニング(CCML)手法を提案する。 我々はまず,信念の質量ベクトルと不確実性推定からなる明らかな深層ニューラルネットワークを用いて,見解を構築する。 その結果, 動的エビデンスデカップリング戦略の有効性を検証し, CCMLが精度と信頼性の基準線を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-10-04T03:27:51Z)
• 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)
• 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)

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。