論文の概要: Robust Fuzzy Multi-view Learning under View Conflict
- arxiv url: http://arxiv.org/abs/2605.24475v1
- Date: Sat, 23 May 2026 08:52:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.075964
- Title: Robust Fuzzy Multi-view Learning under View Conflict
- Title（参考訳）: ビューコンフリクト下におけるロバストファジィ多視点学習
- Abstract要約: 既存のTMVCメソッドは、トレーニングとテストの両方のフェーズにおいて、異なるビューに対して厳格なアライメントを前提としています。
この設定に対処するため、既存のTMVCメソッドには、不確実性を過小評価する、誤った判断をする、VCに過度に適合する、という3つの重要な制限がある。
本稿ではファジィ集合論に基づく新しいロバストファジィ多視点学習(R-FUML)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 50.785852124911095
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trusted multi-view classification aims to deliver reliable fusion for accurate predictions and has recently attracted substantial attention in both academia and industry. However, existing TMVC methods typically assume strict alignment across different views during both training and testing phases, which is often impractical in real-world scenarios. This limitation motivates us to revisit TMVC and extend it to a more challenging setting: how to mitigate the impact of view conflict (VC) during both training and inference. To tackle this setting, existing TMVC methods suffer from three critical limitations: underestimated uncertainty, misleading decisions, and overfitting to VC. To address these issues, this paper proposes a novel Robust Fuzzy Multi-View Learning (R-FUML) framework grounded in Fuzzy Set Theory. Specifically, R-FUML models network outputs as fuzzy memberships to quantify category credibility and uses an entropy-based method for reliable multi-view fusion. To this end, we present a Robust Multi-view Fusion (RMF) strategy that accounts for both view-specific uncertainty and inter-view conflicts, thereby alleviating the adverse impacts of VC on decision-making. To identify and conquer VC during training, we further design a Robust Learning Against VC (RLVC) framework. RLVC isolates conflicting samples by leveraging neural networks' memory effects and then retrains the model by applying a penalty to these conflicting views. Extensive experiments across eight public datasets demonstrate that R-FUML consistently outperforms 15 state-of-the-art baselines in robustness and uncertainty estimation. The code will be released upon acceptance.
- Abstract（参考訳）: 信頼されたマルチビュー分類は、正確な予測のための信頼性のある融合を提供することを目的としており、近年、学術と産業の両方で大きな注目を集めている。
しかしながら、既存のTMVCメソッドは通常、トレーニングとテストフェーズの両方で異なるビューを厳格に整列させる。
この制限は、TMVCを再検討し、より困難な設定に拡張する動機となります。
この設定に対処するため、既存のTMVCメソッドには、不確実性を過小評価する、誤った判断をする、VCに過度に適合する、という3つの重要な制限がある。
本稿では,ファジィ集合論に基づく新しいロバストファジィ多視点学習(R-FUML)フレームワークを提案する。
具体的には、R-FUMLはネットワーク出力をファジィなメンバシップとしてモデル化し、カテゴリの信頼性を定量化し、エントロピーベースの手法を用いて信頼性の高いマルチビュー融合を行う。
この目的のために、ビュー固有の不確実性とビュー間の対立の両方を考慮に入れたロバスト・マルチビュー・フュージョン(RMF)戦略を提案し、それによってVCの意思決定に対する悪影響を軽減する。
トレーニング中にVCを特定して征服するために、私たちはさらに、RLVC(Robust Learning Against VC)フレームワークを設計します。
RLVCは、ニューラルネットワークのメモリ効果を利用して競合するサンプルを分離し、これらの矛盾するビューにペナルティを適用することでモデルを再訓練する。
8つの公開データセットにわたる大規模な実験により、R-FUMLは、ロバストネスと不確実性推定において15の最先端のベースラインを一貫して上回っていることが示された。
コードは受理時にリリースされます。
関連論文リスト
- From Sparse Decisions to Dense Reasoning: A Multi-attribute Trajectory Paradigm for Multimodal Moderation [59.27094165576015]
疎度な意思決定から高密度な推論トレースへ移行する新しい学習パラダイム(UniMod)を提案する。
モノリシックな意思決定タスクを多次元境界学習プロセスに再構成し,エビデンス,モダリティ評価,リスクマッピング,政策決定,応答生成を含む構造化軌道を構築する。
タスク固有のパラメータを分離し、トレーニングダイナミクスを再バランスさせ、マルチタスク学習における多様な目的間の干渉を効果的に解消する、特別な最適化戦略を導入する。
論文 参考訳（メタデータ） (2026-01-28T09:29:40Z) - Unveiling Trust in Multimodal Large Language Models: Evaluation, Analysis, and Mitigation [51.19622266249408]
MultiTrust-XはMLLMの信頼性問題を評価、分析、緩和するためのベンチマークである。
分類に基づいて、MultiTrust-Xには32のタスクと28のキュレートデータセットが含まれている。
私たちの実験は、現在のモデルに重大な脆弱性を明らかにします。
論文 参考訳（メタデータ） (2025-08-21T09:00:01Z) - Reliable Disentanglement Multi-view Learning Against View Adversarial Attacks [12.225939110845486]
既存のマルチビュー学習手法では、マルチビューデータが安全であると暗黙的に仮定している。
自律運転やセキュリティ監視のような安全に敏感なアプリケーションでは、マルチビューデータは敵の摂動による脅威に直面していることが多い。
本稿では,新しい多視点学習フレームワーク,すなわちReliable Disentanglement Multi-view Learning (RDML)を提案する。
論文 参考訳（メタデータ） (2025-05-07T01:12:00Z) - Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
実世界のマルチビューデータセットは、しばしば不均一で不完全である。
本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。
我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
論文 参考訳（メタデータ） (2025-03-06T07:01:08Z) - Insight Over Sight: Exploring the Vision-Knowledge Conflicts in Multimodal LLMs [55.74117540987519]
本稿では,マルチモーダル大言語モデル(MLLM)におけるコモンセンスレベル・ビジョン・知識衝突の問題について考察する。
MLLMにおけるこれらの競合をシミュレートし、評価するために設計された入力を生成するために、人間のループ品質制御を付加した自動フレームワークを導入する。
このフレームワークを用いて、374のオリジナル画像と1,122の高品質な質問応答対からなる診断ベンチマークを構築した。
論文 参考訳（メタデータ） (2024-10-10T17:31:17Z) - Towards Robust Uncertainty-Aware Incomplete Multi-View Classification [11.617211995206018]
不完全なMVCシナリオにおけるEDLに基づく手法を強化するために、Alternating Progressive Learning Network (APLN)を提案する。
APLNは、まず粗い計算を適用し、次にデータを潜在空間にマッピングすることで、破損した観測データからのバイアスを緩和する。
また、矛盾する証拠をよりよく扱うために、コンフリクト対応のDempster-Shaferコンビネーションルール(DSCR)を導入します。
論文 参考訳（メタデータ） (2024-09-10T07:18:57Z) - Trusted Unified Feature-Neighborhood Dynamics for Multi-View Classification [16.994115410201974]
マルチビュー分類(MVC)は、異なる視点におけるドメインギャップと不整合に起因する固有の課題に直面している。
堅牢なMVCのためのTUNED(Trusted Unified Feature-Neighborhood Dynamics)モデルを提案する。
この手法は, 局所的およびグローバルな特徴近傍構造(F-N)を, 堅牢な意思決定のために効果的に統合する。
論文 参考訳（メタデータ） (2024-09-01T15:48:20Z) - Probing the Robustness of Vision-Language Pretrained Models: A Multimodal Adversarial Attack Approach [30.9778838504609]
トランスを用いた視覚言語事前学習は、多数のマルチモーダルタスクにおいて例外的な性能を示した。
既存のマルチモーダルアタック手法は、視覚とテキストのモダリティ間のクロスモーダルな相互作用をほとんど見落としている。
本稿では,視覚的・テキスト的両モードの対向的摂動を同時に導入する,JMTFA(Joint Multimodal Transformer Feature Attack)を提案する。
論文 参考訳（メタデータ） (2024-08-24T04:31:37Z) - 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) - Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。
このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。
4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
論文 参考訳（メタデータ） (2024-08-02T14:34:27Z) - 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。