論文の概要: A Step Forward Towards Trustworthy Risk-Aware Facial Retrieval (RA-FR)

• arxiv url: http://arxiv.org/abs/2607.16279v1
• Date: Thu, 09 Jul 2026 14:55:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.080696
• Title: A Step Forward Towards Trustworthy Risk-Aware Facial Retrieval (RA-FR)
• Title（参考訳）: 信頼に足るリスクを意識した顔検索(RA-FR)に向けて
• Abstract要約: Risk-Aware Facial Retrieval (RA-FR) は、Top-k$検索から適応セット生成へ移行するフレームワークである。 RA-FRは5%のリスク目標を常に満たし、平均検索セットサイズは約10の画像である。
• 参考スコア（独自算出の注目度）: 0.6445605125467574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial image retrieval in unconstrained surveillance environments is a high-stakes challenge where missing a subject of interest -- a single false negative -- is simply not an option. Despite near-perfect performance on curated benchmarks, current recognition systems falter under real-world domain shifts such as low resolution, motion blur, and uncontrolled illumination (e.g., SCFace). Addressing this reliability gap, we propose Risk-Aware Facial Retrieval (RA-FR), a framework that moves beyond fixed Top-$k$ retrieval to adaptive set generation, guaranteeing ground truth inclusion within a user-specified risk level ($α$) and confidence level ($1 - δ$). Our approach integrates three core contributions: (1) reducing aleatoric uncertainty via a hybrid blind face restoration technique coupling Latent Consistency Models (InterLCM) and DiffBIR; (2) extracting discriminative, restoration-robust features via self-supervised DINOv1 ViT-B with GGeM pooling; and (3) employing conformal prediction with Hoeffding's inequality to dynamically calibrate retrieval set sizes based on query uncertainty. On the IMFDB benchmark, it consistently satisfies a 5% risk target with an average retrieval set size of approximately 10 images. By unifying domain-specific restoration, robust representation learning, and provable decision rules, RA-FR offers a pipeline that makes facial retrieval in surveillance both reliable and auditable. The code is available at: https://github.com/MuhammadEmmadSiddiqui/RA-FR.
• Abstract（参考訳）: 制約のない監視環境における顔画像の検索は、関心事の欠落(偽陰性)が単に選択肢ではない、という高い課題だ。 キュレートされたベンチマークでのほぼ完全なパフォーマンスにもかかわらず、現在の認識システムは、低解像度、動きのぼかし、制御されていない照明(SCFaceなど)など、現実世界のドメインシフトに悩まされている。 この信頼性のギャップに対処するため、我々は、固定されたTop-k$検索から適応セット生成へ移行し、ユーザーが特定したリスクレベル(α$)と信頼レベル(1～δ$)に根底からの真理を包含することを保証するフレームワーク、RA-FR(Rakability-Aware Facial Retrieval)を提案する。 提案手法は,(1)ハイブリットブラインドフェース復元技術によるアレタリック不確かさの低減,(2)遅延コンシスタンスモデル(InterLCM)とDiffBIRの結合,(2)自己教師型DINOv1 ViT-Bによる識別的・復元ロバスト特徴の抽出,(3)クエリ不確実性に基づいてHoeffdingの不等式を用いて検索セットサイズを動的に校正する,という3つのコアコントリビューションを統合した。 IMFDBベンチマークでは、5%のリスク目標と約10枚の画像の平均検索セットサイズを一貫して満足している。 ドメイン固有の復元、堅牢な表現学習、証明可能な決定ルールを統合することで、RA-FRは、監視における顔検索を信頼性と監査性の両方で実現するパイプラインを提供する。 コードはhttps://github.com/MuhammadEmmadSiddiqui/RA-FRで公開されている。

関連論文リスト

• Robust Validation to Geometric Perturbations for Autonomous Pose Estimation [0.8062121966457854]
  視覚に基づくナビゲーションと自律着陸では、機械学習コンポーネントは動的操作条件下で厳格な検証を必要とする。 標準勾配に基づくポーズ推定は、ポーズ推定に失敗し、しばしば単純なランダムサンプリングベースラインよりも悪いパフォーマンスを示す。 我々はGLO(Global Lipschitzian)におけるロバストネス推定を再構成する。 これは、幾何学的検証を連続キーポイント回帰とディープオブジェクト検出に拡張する最初の研究である。
  論文  参考訳（メタデータ） (2026-08-21T13:08:37Z)
• Cross-Resolution Semantic Transfer for Robust Text-to-Image Retrieval in Low-Resolution Surveillance [62.560024755525546]
  Cross-Resolution Semantic Transfer (CRST)はCLIPスタイルの3つのモジュールを持つフレームワークである。 実験により、CRSTは高解像度の精度を犠牲にすることなく混合分解能検索を安定化させながら、平均5.7%と5.3%で超低解像度のランク1とmAPを改善することが示された。
  論文  参考訳（メタデータ） (2026-06-29T15:24:03Z)
• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• Uncertainty-aware Generative Recommendation [52.0751022792023]
  Uncertainty-aware Generative Recommendation (UGR)は、適応最適化のための重要な信号として不確実性を利用する統一的なフレームワークである。 UGRは優れたレコメンデーション性能を得るだけでなく、トレーニングを根本的に安定化させ、標準手法でよく見られる性能劣化を防ぐ。
  論文  参考訳（メタデータ） (2026-02-12T08:48:51Z)
• Roughness-Informed Federated Learning [3.8218584696400484]
  フェデレートラーニング(FL)は、分散クライアント間の協調モデルトレーニングを可能にする。 FLはクライアントのドリフトによって非独立で同一に分散された(IIDではない)設定で課題に直面します。 本稿ではRoughness Index(RI)ベースの正規化項を組み込むことでクライアントのドリフトを緩和する新しいFLであるRI-FedAvgを提案する。
  論文  参考訳（メタデータ） (2026-02-11T07:35:45Z)
• Heterogeneous Uncertainty-Guided Composed Image Retrieval with Fine-Grained Probabilistic Learning [49.28548464288051]
  Composed Image Retrieval (CIR)は、参照画像と修正テキストを組み合わせることで、画像検索を可能にする。 CIR三重項の内在ノイズは内在的不確実性を引き起こし、モデルの堅牢性を脅かす。 本稿では,これらの制約を克服するための不確実性誘導(HUG)パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-01-16T16:05:49Z)
• VOGUE: Guiding Exploration with Visual Uncertainty Improves Multimodal Reasoning [62.09195763860549]
  検証可能な報酬(RLVR)による強化学習は、大きな言語モデル(LLM)の推論を改善するが、探索に苦労する。 出力(テキスト)から入力(視覚)空間へ探索をシフトする新しい手法である$textbfVOGUE(Visual Uncertainty Guided Exploration)を紹介した。 本研究は,視覚入力の本質的不確実性における基盤探索が,マルチモーダル推論を改善するための効果的な戦略であることを示す。
  論文  参考訳（メタデータ） (2025-10-01T20:32:08Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction [0.0]
  動的しきい値キャリブレーションとクロスモーダル整合性検証を統合したモデル非依存不確実性定量化法を提案する。 このフレームワークは、様々なキャリブレーションとテストの分割比で安定したパフォーマンスを実現し、医療、自律システム、その他の安全に敏感な領域における現実的な展開の堅牢性を強調している。 この研究は、マルチモーダルAIシステムにおける理論的信頼性と実用性の間のギャップを埋め、幻覚検出と不確実性を考慮した意思決定のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-24T15:39:46Z)
• Coverage-Guaranteed Speech Emotion Recognition via Calibrated Uncertainty-Adaptive Prediction Sets [0.0]
  しばしば感情的な抑圧と突然のアウトバーストによって引き起こされる道路の怒りは、衝突や攻撃的な行動を引き起こすことによって道路の安全を著しく脅かす。 音声感情認識技術は、ネガティブな感情を早期に識別し、タイムリーな警告を発することにより、このリスクを軽減することができる。 本稿では,予測精度を統計的に厳格に保証するリスク制御予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T12:26:28Z)
• Risk Controlled Image Retrieval [15.60341568367361]
  本稿では、カバレッジ保証付き検索セットを生成するリスク制御画像検索(RCIR)を提案する。 RCIRは既存の不確実性認識画像検索システムと容易に統合できる。 4つの実世界のデータセットでRCIRの有効性と効率を実証した。
  論文  参考訳（メタデータ） (2023-07-14T13:31:00Z)

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。