論文の概要: When Does Quality-Aware Multimodal Fusion Matter? A Leakage-Safe Diagnostic for Decision-Level Dependence

• arxiv url: http://arxiv.org/abs/2606.26473v1
• Date: Thu, 25 Jun 2026 00:14:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.118167
• Title: When Does Quality-Aware Multimodal Fusion Matter? A Leakage-Safe Diagnostic for Decision-Level Dependence
• Title（参考訳）: 品質を考慮したマルチモーダル核融合はいつ重要か?
• Authors: Jaden Moon, Arvind Pillai, Andrew Campbell,
• Abstract要約: 本稿では,推測時に信頼性情報を使用するかどうかを簡易に診断する手法を提案する。 感情分析のためのストレス認識とCMU-MOSEIの実験は、変動する信頼性スコアは、性能が変わらないことを示している。
• 参考スコア（独自算出の注目度）: 3.899171236602393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many multimodal systems estimate the reliability of each modality and weight their contributions to the final prediction. However, it remains unclear whether these scores influence model decisions or merely correlate with performance. We propose a simple diagnostic to test whether reliability information is used during inference. After training, the model and inputs are fixed while reliability scores are permuted across test examples. If predictions depend on these scores, performance should degrade. Experiments on StressID for stress recognition and CMU-MOSEI for sentiment analysis show that permuting reliability scores leaves performance unchanged despite substantial potential gains from selecting the best modality per example. In positive controls where reliability signals identify the correct modality, the same frozen fusion rules yield significant improvements, indicating that reliability signals influence fused decisions only when they reliably predict unimodal correctness.
• Abstract（参考訳）: 多くのマルチモーダルシステムは各モードの信頼性を推定し、最終的な予測への貢献を重み付けする。 しかし、これらのスコアがモデル決定に影響を与えるのか、単にパフォーマンスと相関しているだけなのかは不明だ。 本稿では,推測時に信頼性情報を使用するかどうかを簡易に診断する手法を提案する。 トレーニング後、モデルとインプットは固定され、信頼性スコアはテスト例によって変更される。 予測がこれらのスコアに依存する場合、パフォーマンスは低下する。 ストレス認識のためのScressIDと感情分析のためのCMU-MOSEIの実験は、各例ごとの最高のモダリティを選択することで、大きな可能性を得たにもかかわらず、信頼性スコアの変動はパフォーマンスに変化がないことを示している。 信頼性信号が正しいモダリティを識別する正の制御において、同じ凍結融合規則は大きな改善をもたらす。

関連論文リスト

• Mitigating Visual Hallucinations in Multimodal Systems through Retrieval-Augmented Reliability-Aware Inference [1.064167691614925]
  本研究は,信頼に値するマルチモーダル視覚理解のための信頼性を考慮した検索フレームワークを提案する。 提案フレームワークは,事前学習された視覚埋め込みと,正規化された特徴表現に対する最寄りの検索を用いて,外部の視覚的エビデンスデータベースを構築する。 ImageNet-100の実験では、提案された信頼性を意識したフレームワークが、89.04%のカバレッジで85.84%から88.88%に改善した。
  論文  参考訳（メタデータ） (2026-06-14T12:32:38Z)
• Exploring Agentic Tool-Calling Decisions via Uncertainty-Aligned Reinforcement Learning [63.24624171679711]
  大規模言語モデル(LLM)ベースのエージェントは、しばしば最適なツール使用の決定を行う。 本研究では、不確実性分離を維持するための推進力として、不確実性定量化を報酬設計に組み込んだTRUSTを提案する。
  論文  参考訳（メタデータ） (2026-06-05T07:08:34Z)
• LLMs Show No Signs Of Individuated Metacognition [0.023227405857540805]
  20大言語モデルから二項信頼判断を分解する。 信頼性が異なる2つのモデルも性能が異なるかどうかを問う。 いずれの検査領域においても,有意な弁別メタ認知の証拠は見つからない。
  論文  参考訳（メタデータ） (2026-05-22T23:54:33Z)
• Decision-Aware Trust Signal Alignment for SOC Alert Triage [0.0]
  本稿では,SOC警告トリアージの信頼信号対応方式を提案する。 このフレームワークは、調整済みの信頼性、軽量不確実性、そしてコストに敏感な決定しきい値をコヒーレントな決定支持層に組み合わせている。 信頼度が不一致な表示によって偽陰性が大幅に増幅されるのに対し、コスト重み付き損失は決定整合信頼信号を持つモデル間での桁違いに減少することを示す。
  論文  参考訳（メタデータ） (2026-01-08T01:41:54Z)
• Proximity-Based Evidence Retrieval for Uncertainty-Aware Neural Networks [6.9681910774977815]
  本研究は,不確実性を考慮した意思決定のためのエビデンス・検索機構を提案する。 それぞれのテストインスタンスに対して、例題は埋め込み空間で検索され、それらの予測分布はデンプスター・シェーファー理論を介して融合される。 支持する証拠は明確であるため、決定は透明で監査可能である。
  論文  参考訳（メタデータ） (2025-09-11T13:12:22Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• 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)

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。