論文の概要: Interpretable Uncertainty Routing Separating Emotion Ambiguity from Distribution Shift in Facial Expression Recognition

• arxiv url: http://arxiv.org/abs/2606.22725v1
• Date: Sun, 21 Jun 2026 23:54:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 05:04:40.915187
• Title: Interpretable Uncertainty Routing Separating Emotion Ambiguity from Distribution Shift in Facial Expression Recognition
• Title（参考訳）: 顔の表情認識における分布変化から感情のあいまいさを分離した解釈不能な不確実性ルーティング
• Authors: Keito Inoshita, Takato Ueno,
• Abstract要約: Uncertainty-Aware Routing (UAR)は、あいまいさとシフトの分離を利用する推論時ルーティングメカニズムである。 提案した二重バリデーションプロトコルは,アレータリックがスピアマン相関とアノテータの不一致を回復することを明らかにする。 UARは、一致したアウト・オブ・ディストリビューション拒絶率において、単一不確実性ルーティングよりも約1.8倍曖昧な分散面を保持する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial expression recognition (FER) is inherently ambiguous: human annotators frequently disagree, and models deployed in real environments face distribution shift. Crucially, these two conditions demand different downstream actions, as ambiguous in-distribution faces should be reported with their ambiguity whereas out-of-distribution inputs should be rejected. However, a single uncertainty score conflates the two. In this study, uncertainty decomposition into aleatoric and epistemic components for FER is investigated, and Uncertainty-Aware Routing (UAR), an inference-time routing mechanism that exploits the separation, is introduced. Specifically, aleatoric and epistemic uncertainties are obtained from a Deep Ensemble of fully fine-tuned DINOv2 models and are each validated against an independent external signal: aleatoric against human annotator disagreement, and epistemic against distribution shift induced by image corruptions. The proposed dual-validation protocol reveals that aleatoric recovers annotator disagreement with Spearman correlation 0.66 (95% CI: 0.64-0.68), and epistemic detects corruption-induced shifts, achieving average AUROC of 0.699 at the highest corruption severity. UAR retains approximately 1.8 times more ambiguous in-distribution faces than single-uncertainty routing at a matched out-of-distribution rejection rate. A strong label-distribution-learning baseline achieves comparable disagreement recovery but cannot separate ambiguity from shift and therefore cannot route, establishing that the value of decomposition lies in the separation enabling interpretable and differentiated action selection.
• Abstract（参考訳）: 顔の表情認識(FER)は本質的に曖昧であり、人間のアノテータは頻繁に意見が一致せず、実際の環境にデプロイされたモデルは分布シフトに直面している。 重要なことに、これらの2つの条件は異なる下流行動を要求する。不明瞭な分布面はあいまいさで報告されるべきであり、一方、分布外入力は拒否されるべきである。 しかし、1つの不確実性スコアは2つを混同する。 本研究では, FER の動脈およびてんかん成分への不確実性分解について検討し, 分離を利用した推論時ルーティング機構である不確実性認識ルーティング(UAR)を紹介した。 具体的には、完全微調整DINOv2モデルのディープ・アンサンブルからアレタリックおよびてんかんの不確かさが得られ、それぞれ独立した外部信号に対して検証される:ヒトのアノテーター不一致に対するアレタリックと、画像の腐敗によって引き起こされる分布シフトに対するてんかんである。 提案した二重バリデーションプロトコルは,アレタリックがスピアマン相関 0.66 (95% CI: 0.64-0.68) とアノテーターの不一致を回復し, てんかんは腐敗による変化を検知し, AUROC の平均0.699 を高い汚職重症度で達成することを示した。 UARは、一致したアウト・オブ・ディストリビューション拒絶率において、単一不確実性ルーティングよりも約1.8倍曖昧な分散面を保持する。 強いラベル分布学習ベースラインは、同等に不一致回復を達成できるが、あいまいさをシフトから切り離すことはできず、従って経路を辿ることができず、分解の値は解釈可能かつ区別された行動選択を可能にする分離に関係していることを確立する。

関連論文リスト

• Nous: An Attempt to Extract and Inject the Cognition Behind Prediction-Market Behavior [0.0]
  人間の認知の多様性が行動から回復し、LSMエージェントに移行できるかどうかを問う。 Nousは、実際のポリマーケット取引活動から構造化された8次元の行動プロファイルを抽出し、プロンプトを通じてエージェントに注入する。 我々は,Nousを認知的モノカルチャー問題と即時治療の限界を計測するものとして位置づける。
  論文  参考訳（メタデータ） (2026-06-11T08:18:25Z)
• The conditional-mean barrier: From deterministic regression to conditional distribution learning [6.160113667162026]
  このチュートリアルでは、条件-平均障壁を中心とした自己完結モジュールを開発する。 平方損失予測器に潜在ランダム性を加えると、条件平均に戻る。 我々は,否定的対数類似度,モーメントとオブザーバブルマッチング,変分目的,逆数分岐,スコアマッチングなどの共通分布目的を短時間に整理する。
  論文  参考訳（メタデータ） (2026-05-27T07:31:42Z)
• Credal Concept Bottleneck Models: Structural Separation of Epistemic and Aleatoric Uncertainty [38.040646841317965]
  本研究では,不確かさを予測分布の集合として表すクレダルセットの定式化を提案する。 我々はこのアイデアを2つの不整合不確実性ヘッドを持つ変分クレダル概念ボトルネックモデルでインスタンス化する。
  論文  参考訳（メタデータ） (2026-02-11T10:54:57Z)
• Environment-Adaptive Covariate Selection: Learning When to Use Spurious Correlations for Out-of-Distribution Prediction [33.69413571438309]
  結果の真の原因のサブセットのみを観測した場合に,アウト・オブ・ディストリビューション予測が失敗することを示す。 環境適応型共変量選択アルゴリズムを提案する。 EACSは、様々な分布シフトの下で静的因果、不変、およびERMベースの予測器を一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-05T18:13:02Z)
• Disentangling Doubt in Deep Causal AI [0.0]
  本稿では,予測分散を表現の不確実性に分割する深層ツインネットワークモデルのためのモンテカルロ・ドロップアウトフレームワークを提案する。 3つの共シフト状態の中で、我々の間隔はよく校正され、sigma_rep2 + sigma_pred2 sigma_tot2を満たす。 このモジュールレベルの分解は、深い因果効果モデルにおける不確実性源を検出し、解釈するための実用的な診断を提供する。
  論文  参考訳（メタデータ） (2025-07-04T14:48:51Z)
• 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)
• Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
  深部異方性回帰における自己教師付き共分散推定について検討する。 正規分布の間の2-ワッサーシュタイン距離の上界を導出する。 幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
  論文  参考訳（メタデータ） (2025-02-14T22:37:11Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Adversarial Robustness through the Lens of Causality [105.51753064807014]
  ディープニューラルネットワークの敵対的脆弱性は、機械学習において大きな注目を集めている。 我々は、因果関係を敵対的脆弱性の軽減に組み込むことを提案する。 我々の手法は、敵の脆弱性を緩和するために因果性を利用する最初の試みと見なすことができる。
  論文  参考訳（メタデータ） (2021-06-11T06:55:02Z)
• Dive into Ambiguity: Latent Distribution Mining and Pairwise Uncertainty Estimation for Facial Expression Recognition [59.52434325897716]
  DMUE(DMUE)という,アノテーションのあいまいさを2つの視点から解決するソリューションを提案する。 前者に対しては,ラベル空間における潜伏分布をよりよく記述するために,補助的マルチブランチ学習フレームワークを導入する。 後者の場合、インスタンス間の意味的特徴のペアワイズ関係を完全に活用して、インスタンス空間のあいまいさの程度を推定する。
  論文  参考訳（メタデータ） (2021-04-01T03:21:57Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。