論文の概要: Adaptive Confidence-weighted Expansion for Trustworthy Multi-Omics Multimodal Fusion

• arxiv url: http://arxiv.org/abs/2607.20742v1
• Date: Wed, 22 Jul 2026 21:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.224019
• Title: Adaptive Confidence-weighted Expansion for Trustworthy Multi-Omics Multimodal Fusion
• Title（参考訳）: 信頼できるマルチモード核融合のための適応信頼度重み付き展開
• Abstract要約: マルチモーダル融合モデルの信頼性を高めるために,適応信頼度重み付き拡張(ACE)を導入する。 ACEは、分類性能と信頼性キャリブレーションの両方において、既存の最先端アルゴリズムよりも大幅に優れている。
• 参考スコア（独自算出の注目度）: 0.8749675983608171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal learning is a robust approach to improve predictive performance in applications such as medical prognosis. However, the clinical applicability of models that use multimodal learning is hampered by their poor performance under noisy or uninformative data streams. Present fusion approaches often lack robust mechanisms for the dynamic assessment of data quality and for the provision of a trustable confidence score on the final prediction. This dissuades their deployment in safety-critical settings. To address these limitations, we introduce Adaptive Confidence-weighted Expansion (ACE), a novel framework to enhance the trustworthiness of multimodal fusion models. ACE first enhances the multimodal space by generating new, complementary modalities from intra-modality correlations. It then employs a dual-level confidence mechanism that (1) adaptively reweighs all modalities by their reliability before fusion and (2) estimates a global trust score over the fused, final decision. To evaluate ACE, we used four challenging multi-omics datasets (BRCA, KIPAN, LGG, and ROSMAP). ACE significantly outperforms existing state-of-the-art algorithms in both classification performance and confidence calibration. Our framework provides a more stable and robust data fusion method that facilitates the use of multimodal learning in addressing high-stakes problems.
• Abstract（参考訳）: マルチモーダル学習は、医学的予後などの応用における予測性能を改善するための堅牢なアプローチである。 しかし、マルチモーダル学習を用いたモデルの臨床的適用性は、ノイズや非形式的なデータストリーム下での性能低下によって妨げられる。 現在の融合手法には、データ品質の動的評価と、最終的な予測に対する信頼性スコアの提供のための堅牢なメカニズムが欠如していることが多い。 これにより、安全クリティカルな環境でのデプロイメントが中止される。 これらの制約に対処するために,マルチモーダル融合モデルの信頼性を高める新しいフレームワークである適応信頼強調拡張(ACE)を導入する。 ACEはまず、モダリティ内相関から新たな相補的モダリティを生成することで、マルチモーダル空間を強化する。 次に、(1)融合前の信頼性によって全てのモダリティを適応的に再考し、(2)融合した最終決定に対するグローバル信頼スコアを推定する二段階信頼機構を用いる。 ACEを評価するために,4つの挑戦的マルチオミクスデータセット(BRCA,KIPAN,LGG,ROSMAP)を用いた。 ACEは、分類性能と信頼性キャリブレーションの両方において、既存の最先端アルゴリズムよりも大幅に優れている。 我々のフレームワークは、より安定で堅牢なデータ融合方式を提供し、ハイテイク問題に対処するためのマルチモーダル学習を容易にする。

関連論文リスト

• Adaptive Confidence Regularization for Multimodal Failure Detection [21.36399203050946]
  適応信頼規則化(Adaptive Confidence Regularization, ACR)は,マルチモーダル障害の検出に特化して設計されたフレームワークである。 ほとんどの障害の場合、マルチモーダル予測の信頼性は、少なくとも1つのユニモーダル分岐の信頼性よりも著しく低い。 さらに,困難かつ障害対応のトレーニング例を生成する新手法であるMultimodal Feature Swappingを提案する。
  論文  参考訳（メタデータ） (2026-03-02T18:56:38Z)
• Confidence Estimation for LLMs in Multi-turn Interactions [48.081802290688394]
  この研究は、マルチターン相互作用における信頼度推定に関する最初の体系的研究である。 そこで我々は,2つの主要なデシラタに基礎を置く形式的評価枠組みを構築した。 我々の研究は、より信頼性が高く信頼性の高い会話エージェントを開発するための基礎的な方法論を提供する。
  論文  参考訳（メタデータ） (2026-01-05T14:58:04Z)
• Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning [78.92934995292113]
  本稿では,既知の偽造と新規な偽造の信頼のバランスをとる,信頼を意識した非対称学習(CAL)フレームワークを提案する。 CALは従来手法を一貫して上回り、既知の偽造と新しい偽造の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-14T12:31:28Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Calibrating Multimodal Learning [94.65232214643436]
  本稿では,従来の手法の予測信頼性を校正するために,新たな正規化手法であるCML(Callibrating Multimodal Learning)正則化を提案する。 この技術は、既存のモデルによって柔軟に装備され、信頼性校正、分類精度、モデルロバスト性の観点から性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-06-02T04:29:57Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Uncertainty-Aware Boosted Ensembling in Multi-Modal Settings [33.25969141014772]
  不確実性推定は、デプロイにおける機械学習システムの信頼性を強調する、広く研究されている方法である。 逐次および並列アンサンブル手法により,マルチモーダル設定におけるMLシステムの性能が向上した。 本研究では,不確かさを高く見積もるデータポイントに着目し,マルチモーダルセンシングのための不確実性認識促進手法を提案する。
  論文  参考訳（メタデータ） (2021-04-21T18:28:13Z)
• Providing reliability in Recommender Systems through Bernoulli Matrix Factorization [63.732639864601914]
  本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。 BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。 予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
  論文  参考訳（メタデータ） (2020-06-05T14:24:27Z)

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。