論文の概要: Characterisation of Density-based FM generation methods in the context of Information Fusion

• arxiv url: http://arxiv.org/abs/2607.23243v1
• Date: Sat, 25 Jul 2026 15:06:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.038387
• Title: Characterisation of Density-based FM generation methods in the context of Information Fusion
• Title（参考訳）: 情報融合における密度に基づくFM生成手法の特性評価
• Abstract要約: ファジィ積分(FI)に基づくアグリゲーションはニュアンスドアグリゲーションの強力なメカニズムを提供する。 本稿では,区間値FMが実際に一意に決定できることを示す。
• 参考スコア（独自算出の注目度）: 2.98145045970239
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fuzzy Integral (FI) based aggregation provides a powerful mechanism for nuanced aggregation, for example, in ensemble approaches or decision-level fusion more generally. The main challenge of this approach is the appropriate parametrization of the Fuzzy Measure (FM), which captures the worths of the individual components--and their combinations--which are being fused. Here, widely used approaches including the Sugeno-$λ$ and Decomposable FMs, parametrize the FM by extrapolating from the densities, i.e. the weights associated with individual sources, while respecting the FM's monotonicity constraint. This paper articulates that this information is, in general, insufficient to uniquely identify a discrete FM; but shows how an interval-valued FM can indeed be determined uniquely. We proceed to show how the incorporation of additional information beyond the above, such as the choice of a specific FI and a dataset, then allows for obtaining even more specific interval-valued FMs. In practice, establishing the quality of an empirically determined FM is not trivial. To help address this, we show how the likelihood with which a resulting interval FM encompasses the `ideal', i.e. the commonly intangible, best, or ground-truth numeric FM, can be determined, producing a confidence interval at a given confidence level. Finally, based on a series of experiments, we demonstrate empirically that the Choquet FI output based on this FM can also be regarded as the confidence interval for the `ideal' information fusion result, providing a novel means to characterize FI fusion outcomes a priori and charting a pathway for future research.
• Abstract（参考訳）: ファジィ積分(FI)に基づくアグリゲーションは、例えばアンサンブルアプローチや決定レベルの融合において、ニュアンス化されたアグリゲーションの強力なメカニズムを提供する。 このアプローチの主な課題はファジィ測度(FM)の適切なパラメトリゼーションである。 ここでは、Sugeno-$λ$ や Decomposable FM などの広く使われているアプローチは、FM の単調性制約を尊重しながら、密度から外挿することで FM をパラメトリズする。 本稿では、この情報が一般に、離散FMを一意に識別するには不十分であることを示すが、インターバル値FMを実際に一意に決定する方法を示す。 我々は、上記以上の情報、例えば、特定のFIとデータセットの選択を組み込んで、さらに特定のインターバル値のFMを得る方法を示す。 実際には、経験的に決定されたFMの品質を確立することは簡単ではない。 この問題を解決するために、結果の区間FMが「理想」を包含する可能性、すなわち、一般的には無形、最良、または地味の数値FMを決定することを示し、与えられた信頼度レベルで信頼区間を生成する。 最後に、一連の実験に基づいて、このFMに基づくチョーケFI出力は、「理想」情報融合結果の信頼区間とみなすことができ、FI融合結果に先入観を特徴付ける新しい手段を提供し、将来の研究の道筋をグラフ化するための新しい手段を提供する。

関連論文リスト

• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Interactive Spatial-Frequency Fusion Mamba for Multi-Modal Image Fusion [69.13852939945433]
  MMIF(Multi-Modal Image Fusion)は、異なるモダリティの画像を組み合わせて融合画像を作成することを目的としている。 MMIFのための対話型空間周波数フュージョン・マンバフレームワークを提案する。 私たちのISFMは、他の最先端手法よりも優れたパフォーマンスを実現できます。
  論文  参考訳（メタデータ） (2026-02-04T10:35:55Z)
• Unlocking the Duality between Flow and Field Matching [86.34409966628323]
  条件付きフローマッチング(CFM)は拡散モデルやフローマッチングのような従来の生成パラダイムを統一する。 相互作用場マッチング(IFM)は、ポアソンフロー生成モデル(PFGM)に根ざした静電場マッチング(EFM)を一般化する新しいフレームワークである。 IFMの自然なサブクラスと一致し,このサブクラスをフォワードオンリーIMMと呼ぶ。
  論文  参考訳（メタデータ） (2026-02-02T16:04:01Z)
• On The Hidden Biases of Flow Matching Samplers [4.822598110892847]
  本研究では,経験的フローマッチングのレンズを用いて,フローマッチング(FM)サンプリング器の暗黙バイアスについて検討した。 経験的FMrは, それぞれの条件流中であっても, ほぼ決して勾配場ではないことが示され, その結果, 経験的FMは本質的に準最適であることがわかった。
  論文  参考訳（メタデータ） (2025-12-18T17:02:11Z)
• Fine-Tuning Flow Matching via Maximum Likelihood Estimation of Reconstructions [20.26227575771028]
  フローマッチング(FM)アルゴリズムは、特にロボット操作において、生成タスクにおいて顕著な結果をもたらす。 本稿では,FMにおけるトレーニング損失と推論誤差の関係を理論的に解析する。 そこで本研究では,再構成の最大精度推定によるFM微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T14:49:47Z)
• Flow matching achieves almost minimax optimal convergence [50.38891696297888]
  フローマッチング (FM) は, シミュレーションのない生成モデルとして注目されている。 本稿では,大試料径のFMの収束特性を$p$-Wasserstein 距離で論じる。 我々は、FMが1leq p leq 2$でほぼ最小の収束率を達成できることを確立し、FMが拡散モデルに匹敵する収束率に達するという最初の理論的証拠を示す。
  論文  参考訳（メタデータ） (2024-05-31T14:54:51Z)
• Boosting Factorization Machines via Saliency-Guided Mixup [125.15872106335692]
  我々は、MixupにインスパイアされたMixFMを紹介し、ファクトリゼーションマシン(FM)を強化するための補助的なトレーニングデータを生成する。 また、Saliency-Guided Mixup(SMFM)を利用した新しいファクトリゼーションマシンも提案した。
  論文  参考訳（メタデータ） (2022-06-17T09:49:00Z)

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。