論文の概要: Disentangling Model and Human Data Uncertainty in Apparent Facial Age Estimation

• arxiv url: http://arxiv.org/abs/2607.16378v1
• Date: Fri, 17 Jul 2026 16:14:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.136274
• Title: Disentangling Model and Human Data Uncertainty in Apparent Facial Age Estimation
• Title（参考訳）: 顔の年齢推定におけるディエンタングモデルと人間の不確かさ
• Abstract要約: 顔画像から人物の見かけ年齢を推定することは、知覚の主観的性質とデータ固有の変動性のために困難である。 我々は,不確実性評価の役割について検討し,不確実性は知識の欠如や固有のノイズ/チャンスの欠如に起因していると考えている。
• 参考スコア（独自算出の注目度）: 8.169239405091819
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Estimating the apparent age of individuals from facial images is challenging due to the subjective nature of perception and the inherent variability of the data. We investigate the role of uncertainty estimation, attributing uncertainty jointly to a lack of knowledge (epistemic) or inherent noise/chance (aleatoric). Leveraging the APPA-REAL dataset, we train Bayesian Neural Networks on datasets of varying sizes using three BNN approximations: MC-DropConnect, Flipout, and Deep Ensembles using supervision on human aleatoric uncertainty available in the APPA-REAL dataset. Each model outputs both the predicted apparent age and the amount of aleatoric and epistemic uncertainty. Our results confirm the hypothesis that the inherent aleatoric uncertainty remains stable across dataset sizes, while epistemic uncertainty increases as training data decreases. These findings demonstrate that different sources of uncertainty can be quantified in face age estimation.
• Abstract（参考訳）: 顔画像から人物の見かけ年齢を推定することは、知覚の主観的性質とデータ固有の変動性のために困難である。 本研究では,不確実性評価の役割について検討し,その要因として,知識の欠如(緊急性)や固有のノイズ/チャンス(アラート性)があげられる。 APPA-REALデータセットを活用することで、MC-DropConnect、Flipout、Deep Ensemblesという3つのBNN近似を使用して、さまざまなサイズのデータセット上でベイズニューラルネットワークをトレーニングする。 各モデルは、予測された見かけ年齢と、アレタリックおよびてんかんの不確実性の量の両方を出力する。 以上の結果より, トレーニングデータの減少に伴い, 天性不確実性が増大する一方, 天性不確実性はデータセットサイズ全体で安定である,という仮説が確定した。 これらの結果から,顔の年齢推定において異なる不確実性源を定量化できることが示唆された。

関連論文リスト

• When Active Learning Fails, Uncalibrated Out of Distribution Uncertainty Quantification Might Be the Problem [2.3348738689737503]
  材料発見におけるアクティブラーニングキャンペーンにおいて,不確かさ推定と校正手法の評価を行った。 不確かさキャリブレーション法は、ドメイン内データからドメイン外データへ可変的に一般化することを発見した。 質の悪い不確実性の影響は、ランダムな森林と、同じタスクのために同じデータでトレーニングされたeXtreme Gradient Boostingモデルに対して持続する。
  論文  参考訳（メタデータ） (2025-11-21T20:17:46Z)
• Cooperative Bayesian and variance networks disentangle aleatoric and epistemic uncertainties [0.0]
  実世界のデータは、不完全な測定やデータ生成プロセスに関する不完全な知識から生じる、アレラトリックな不確実性を含んでいる。 平均分散推定(MVE)ネットワークは、このような不確実性を学ぶことができるが、過度な適合を避けるためには、アドホックな正規化戦略を必要とする。 ベイズニューラルネットワークを用いて分散ネットワークを訓練し、その結果のモデルが平均推定を改善しつつ、アレタリックおよびてんかんの不確かさを解き放つことを示す。
  論文  参考訳（メタデータ） (2025-05-05T15:50:52Z)
• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• 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)
• Exploring Predictive Uncertainty and Calibration in NLP: A Study on the Impact of Method & Data Scarcity [7.3372471678239215]
  我々は、幅広いアプローチから推定値の質を評価し、利用可能なデータ量に依存する。 事前訓練されたモデルとアンサンブルに基づくアプローチは全体として最高の結果を得るが、不確実性推定の品質は驚くほど多くのデータに悩まされる。
  論文  参考訳（メタデータ） (2022-10-20T15:42:02Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Uncertainty-Gated Stochastic Sequential Model for EHR Mortality Prediction [6.170898159041278]
  本稿では,欠落変数の分布を推定し,隠れ状態の更新を行い,院内死亡の可能性を予測できる新しい変動再帰ネットワークを提案する。 我々のモデルは、これらの手順を1つのストリームで実行し、エンドツーエンドで全てのネットワークパラメータを共同で学習できることは注目に値する。
  論文  参考訳（メタデータ） (2020-03-02T04:41:28Z)

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。