論文の概要: Factor-Informed Uncertainty Distillation for Gaze Estimation

• arxiv url: http://arxiv.org/abs/2607.20072v1
• Date: Wed, 22 Jul 2026 12:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.07352
• Title: Factor-Informed Uncertainty Distillation for Gaze Estimation
• Title（参考訳）: ガス推定のための因子インフォームド不確かさ蒸留
• Abstract要約: 本研究では,不確かさを解釈可能な画像品質障害モードと整合させる因子インフォームド不確かさ蒸留(FIUD)を提案する。 グラデーションブースティングの教師は、照明、シャープネス、視線可視性、対称性などの要因から期待される視線誤差を予測する。 神経学生は、これらの信号をカリキュラム学習とランキング管理を通じて、軽量なシングルパス不確実性ヘッドに蒸留する。
• 参考スコア（独自算出の注目度）: 3.7508723681775606
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep gaze estimation works well in controlled capture but degrades in unconstrained settings, where systems must reject unreliable predictions. Single-pass uncertainty (e.g., heteroscedastic regression) infers uncertainty from pixels without explicit input-validity cues, while sampling based methods are often too costly for real time use. We propose Factor-Informed Uncertainty Distillation (FIUD), a teacher-student framework that aligns uncertainty with interpretable image-quality failure modes. A gradient-boosting teacher predicts expected gaze error from factors such as illumination, sharpness, eye visibility and symmetry; a neural student distills these signals via curriculum learning and ranking supervision into a lightweight single-pass uncertainty head. Across ETH-XGaze, Gaze360, and MPIIFaceGaze (>300k samples), FIUD improves uncertainty, error rank correlation and selective prediction versus deterministic and sampling-based baselines, with the largest gains in unconstrained settings.
• Abstract（参考訳）: 深い視線推定は、制御されたキャプチャではうまく機能するが、制約のない環境では劣化し、システムは信頼できない予測を拒絶しなければならない。 シングルパス不確実性(例えばヘテロスセダスティック回帰)は、明示的な入力値の手がかりを持たない画素から不確実性を推論するが、サンプリングベースの手法はリアルタイム利用には高すぎることが多い。 本研究では,不確かさを解釈可能な画像品質障害モードと整合させる教師学生用フレームワークであるFacter-Informed Uncertainty Distillation (FIUD)を提案する。 グラデーションブースティングの教師は、照明、シャープネス、視線可視性、対称性などの要因から期待される視線誤差を予測する。 ETH-XGaze、Gaze360、MPIIFaceGaze(>300kサンプル)全体で、FIUDは不確実性、エラーランクの相関、および決定論的およびサンプリングベースラインに対する選択的予測を改善し、制約のない設定では最大の利得となる。

関連論文リスト

• ELVAE: Evidential Learning-Based Variational Autoencoder for Uncertainty-Aware Generation [7.5571037918649155]
  変分オートエンコーダは確率的潜伏表現からサンプルを生成するが、潜伏位置に関する不確実性と周囲の変動性を区別しない。 ELVAEを定式化し,各潜時座標を入力依存の正規逆ガンマ後方で制御する。 低不確かさアンカーはより信頼性の高い合成サンプルをサポートし、高不確かさアンカーは故意にストレステストに利用することができる。
  論文  参考訳（メタデータ） (2026-08-11T02:45:59Z)
• Local Conformal Calibration of Dynamics Uncertainty from Semantic Images [11.10792616622245]
  観測対応コンフォーマル不確実性局所校正(OCular)について紹介する。 OCcularは、認識情報を用いて不確実な定量化を保証する共形予測に基づくアルゴリズムである。 ランダムな摂動と有意なモデルミスマッチを考慮した二重積分器システムにおいて,本アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2026-05-13T05:33:42Z)
• FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
  FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。 属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。 PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-05-05T02:31:18Z)
• Improving Semantic Uncertainty Quantification in Language Model Question-Answering via Token-Level Temperature Scaling [55.29156356409814]
  現状のアプローチ,特に温度の固定化は,系統的に誤校正され,識別性に欠けるセマンティックな信頼性分布を生じさせることを示す。 一つの温度を最適化することは、適切な帰納バイアスをもたらすと我々は主張するが、驚くほど単純だが効果的な解であることを示した。
  論文  参考訳（メタデータ） (2026-04-08T15:00:32Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Calibrated Decomposition of Aleatoric and Epistemic Uncertainty in Deep Features for Inference-Time Adaptation [3.018583625592182]
  ほとんどの推定器は、全ての不確実性モードを単一の信頼スコアに分解し、いつより多くの計算を割り当てるか、あるいは推論を調整するべきかについての信頼性の高い推論を防ぐ。 非確実性誘導推論時間選択(Uncertainty-Guided Inference-Time Selection)は,データ駆動型(データ駆動型)とモデル駆動型不確実性を,深い特徴空間で直接的に解消する軽量な推論時間フレームワークである。
  論文  参考訳（メタデータ） (2025-11-15T23:47:30Z)
• Uncertainty-Driven Reliability: Selective Prediction and Trustworthy Deployment in Modern Machine Learning [1.2183405753834562]
  この論文は、不確実性推定が機械学習(ML)システムの安全性と信頼性を高める方法について考察する。 まず、モデルのトレーニング軌道は、アーキテクチャの変更や損失を伴わずに活用できるような、豊富な不確実性信号を含むことを示す。 本稿では,タスク間で動作し,深層アンサンブルのコストを回避し,最先端の選択的予測性能を実現する軽量なポストホック禁忌手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T02:33:53Z)
• Calibrated Uncertainty Quantification for Operator Learning via Conformal Prediction [95.75771195913046]
  本稿では, リスク制御型量子ニューラル演算子, 分布のない有限サンプル機能キャリブレーション等式予測法を提案する。 関数領域上の点の期待値として定義されるカバレッジ率に関する理論的キャリブレーションを保証する。 2次元ダーシー流と3次元自動車表面圧力予測タスクに関する実験結果から,我々の理論的結果が検証された。
  論文  参考訳（メタデータ） (2024-02-02T23:43:28Z)
• 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)
• STUN: Self-Teaching Uncertainty Estimation for Place Recognition [10.553297191854837]
  本稿では,その場所を同時に予測し,入力画像から予測の不確かさを推定する自己学習フレームワークSTUNを提案する。 大規模ピッツバーグ30kデータセットに対する実験結果から,STUNは認識精度と不確実性評価の品質の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-03T16:59:42Z)
• 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)

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。