論文の概要: Geometry-based Schrödinger Bridges for Trustworthy Multimodal Fusion

• arxiv url: http://arxiv.org/abs/2605.31193v1
• Date: Fri, 29 May 2026 12:01:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.585939
• Title: Geometry-based Schrödinger Bridges for Trustworthy Multimodal Fusion
• Title（参考訳）: 幾何に基づくマルチモーダル核融合のためのシュレーディンガー橋
• Abstract要約: 幾何学に基づくマルチモーダルフュージョン(GMF)を提案する。 予測に頼る代わりに、潜時空間における入力要求量を測定することにより、信頼性を評価する。 大規模な実験により、GMFは重度のセンサノイズやセマンティックコンフリクトに対するロバスト性を大幅に改善することが示された。
• 参考スコア（独自算出の注目度）: 11.418398950934671
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Real-world multimodal systems must be robust against low-quality data, such as sensor noise, incomplete multimodal data and conflicting inputs. However, existing trustworthy fusion methods rely on the model's own prediction confidence to judge data quality. This creates a circular dependency: when a model is confident but wrong, these methods fail to detect the error. To break this loop, we propose Geometry-based Multimodal Fusion (GMF). Instead of relying on predictions, we evaluate reliability by measuring how much transport correction the input needs in latent space. We implement Diffusion Schrödinger Bridge transport with Rectified Flow, where the squared initial velocity gives an efficient learned correction score. Valid data has low squared velocity magnitude, while noisy, incomplete data or conflicting data requires stronger transport correction. This geometry-based reliability signal acts as an independent judge, effectively flagging unreliable inputs even when the classifier is fooled. Extensive experiments demonstrate that GMF significantly improves robustness against severe sensor noise and semantic conflicts compared to confidence-based baselines.
• Abstract（参考訳）: 実世界のマルチモーダルシステムは、センサノイズ、不完全なマルチモーダルデータ、競合する入力などの低品質データに対して堅牢でなければならない。 しかし、既存の信頼に値する融合法は、データ品質を判断するために、モデル自身の予測信頼性に依存している。 モデルが自信はあるが間違っている場合、これらのメソッドはエラーを検出できない。 このループを断ち切るために,Geometry-based Multimodal Fusion (GMF)を提案する。 予測に頼る代わりに、潜時空間における入力要求量を測定することにより、信頼性を評価する。 拡散シュレーディンガーブリッジトランスポートを整流流を用いて実装し、二乗初期速度は効率よく学習された補正スコアを与える。 正定値データは2乗速度が小さいが、ノイズ、不完全、あるいは矛盾するデータはより強い輸送補正を必要とする。 この幾何ベースの信頼性信号は独立判定器として機能し、分類器を騙しても信頼性の低い入力を効果的にフラグする。 GMFは、信頼性に基づくベースラインと比較して、重度のセンサノイズやセマンティックコンフリクトに対するロバスト性を大幅に改善することを示した。

関連論文リスト

• Improving the Sensitivity of Gravitational Wave Detection with Weighted Conformal Prediction [0.0]
  我々は、確率的に厳密な信頼度推定を候補事象に対して提供するために、共形予測に基づくフレームワークを用いる。 重要な課題は、トレーニングに使用するシミュレートされたデータセットと、テストに使用される実際の、遅延のない、観察の間の分散シフトである。
  論文  参考訳（メタデータ） (2026-09-10T11:33:49Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Uncertainty-aware damage identification in short-span bridges via physics-informed variational autoencoder [0.4893345190925178]
  本研究は,構造的健康モニタリングのための物理インフォームドガウスコーパス変分オートエンコーダを提案する。 我々は、潜伏変数の従来の独立性仮定をガウスコプラに置き換える。 その結果、PI-VAEは真の後部分布を正確に回復し、77.2%のカバレッジを達成した。
  論文  参考訳（メタデータ） (2026-07-06T13:02:36Z)
• Flowing with Confidence [23.40211147034427]
  生成モデルは、非意味なテキスト、非現実的な画像、不安定な物質をシミュレーションや人間のレビューよりも早く吸収することができる。 モデル信頼度ではなくモデル間の変動度を測定するために,信頼性を伴うフローマッチング(FMwC)を提案する。 FMwCは、選択された層で入力依存乗法ノイズを注入し、その分散をクローズドな形でネットワークを通して伝播し、ODE軌道に沿って改善し、標準サンプリングコストでサンプル当たりの信頼スコアを得る。
  論文  参考訳（メタデータ） (2026-05-18T14:28:17Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
  本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。 キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
  論文  参考訳（メタデータ） (2025-04-20T09:20:55Z)
• t-READi: Transformer-Powered Robust and Efficient Multimodal Inference for Autonomous Driving [34.4792159427294]
  t-READiは,マルチモーダルセンサデータの変動を考慮した適応型推論システムである。 平均推論精度を6%以上改善し、推論遅延を約15倍削減する。
  論文  参考訳（メタデータ） (2024-10-13T06:53:58Z)
• Fault Detection and Monitoring using a Data-Driven Information-Based Strategy: Method, Theory, and Application [5.056456697289351]
  本稿では,新しいコンセプトドリフト検出器に基づく情報駆動型故障検出手法を提案する。 本手法は,加法雑音モデルの入出力関係におけるドリフトの同定に適している。 提案したMIに基づく故障検出手法の理論的特性を実証する。
  論文  参考訳（メタデータ） (2024-05-06T17:43:39Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Causal Transfer Random Forest: Combining Logged Data and Randomized Experiments for Robust Prediction [8.736551469632758]
  本稿では,既存のトレーニングデータとランダム化実験から得られた少量のデータを組み合わせてモデルを訓練するCTRFについて述べる。 我々は,Bing Adsプラットフォームにおける合成データ実験と実世界の実験の両方を用いてCTRFを評価する。
  論文  参考訳（メタデータ） (2020-10-17T03:54:37Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。