論文の概要: GAUGE: Granularity-Adaptive Counterfactual Gating of Evidence for Incomplete Multimodal Classification

• arxiv url: http://arxiv.org/abs/2608.05608v1
• Date: Thu, 06 Aug 2026 05:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.82165
• Title: GAUGE: Granularity-Adaptive Counterfactual Gating of Evidence for Incomplete Multimodal Classification
• Title（参考訳）: GAUGE:不完全なマルチモーダル分類のための粒度適応型逆実数ゲーティング
• Abstract要約: マルチモーダル分類は通常、すべてのモダリティが利用可能であると仮定するが、実世界の入力はしばしば不完全である。 不完全なマルチモーダル分類のための軽量な逆ファクトゲーティングフレームワークであるGAUGEを提案する。 GAUGEは、予測を意識したTaylorのエビデンススコアを通じて、すべてのユニットを参照表現に置き換える反ファクト効果をスコアする。
• 参考スコア（独自算出の注目度）: 17.595478415811687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal classification typically assumes all modalities are available, yet real-world inputs are often incomplete. Imputation and dynamic fusion can mitigate such incompleteness, but existing methods operate at a coarse modality level and thus cannot retain reliable components while suppressing misleading ones within the same recovered modality, compromising prediction reliability. To address this issue, we propose GAUGE, a lightweight counterfactual gating framework for incomplete multimodal classification. GAUGE first imputes missing modalities with a frozen imputer and encodes observed and recovered inputs uniformly as fine-grained evidence units. Rather than intervening on each unit explicitly, GAUGE scores the counterfactual effect of replacing every unit with a reference representation through prediction-aware Taylor evidence scores, all obtained in a single forward-backward pass. These scores are mapped to continuous gates, which are converted into additive attention-logit biases for unit-wise evidence modulation without altering the backbone architecture. Experiments across six benchmarks demonstrate that GAUGE outperforms strong baselines across diverse incomplete-input settings. Furthermore, a Taylor remainder theoretical analysis characterizes the error of the first-order approximation relative to the exact counterfactual effect, establishing GAUGE as a principled and scalable framework for fine-grained evidence control under modality incompleteness.
• Abstract（参考訳）: マルチモーダル分類は通常、すべてのモダリティが利用可能であると仮定するが、実世界の入力はしばしば不完全である。 計算と動的融合は、そのような不完全性を緩和することができるが、既存の手法は、粗いモダリティレベルで動作し、従って、同じ復元されたモダリティ内で誤解を招くものを抑制し、予測信頼性を損なうことなく、信頼性の高いコンポーネントを保持することはできない。 この問題に対処するために,不完全なマルチモーダル分類のための軽量な対実的ゲーティングフレームワークであるGAUGEを提案する。 GAUGEはまず、凍結したインプタで欠落したモダリティを暗示し、観察された入力と復元された入力を、きめ細かいエビデンス単位として一様に符号化する。 GAUGEは各ユニットに明示的に介入するのではなく、予測を意識したテイラーのエビデンススコアを通じて全てのユニットを参照表現に置き換える反ファクト効果をスコアする。 これらのスコアは連続ゲートにマッピングされ、バックボーンアーキテクチャを変更することなくユニットワイドなエビデンス変調のための付加的なアテンション-ロジットバイアスに変換される。 6つのベンチマークでの実験では、GAUGEは様々な不完全な入力設定で強いベースラインを上回っている。 さらに、テイラー剰余理論解析は、正確な反ファクト効果に対する一階近似の誤差を特徴付け、モダリティの不完全性の下でのきめ細かいエビデンス制御のための原理的かつスケーラブルな枠組みとしてGAUGEを確立した。

関連論文リスト

• Common-Witness Certificates and Sharp Feature Bounds for Counterfactual Image Auditing [0.0]
  画像エディタは、単一の潜伏説明が完全な出力に合わない場合でも、各可視性制約を別々に満たすことができる。 我々は,この局所的・言語的失敗を,共通の目撃者格と目撃者の神経を用いて定式化する。
  論文  参考訳（メタデータ） (2026-09-03T15:09:52Z)
• Conformal Fusion Under Missing Modalities [6.599344783327054]
  我々は、モダリティのロバスト性と校正不確実性は単一結合性であり、Modality-Conditioned Conformal Fusion (MCCF)を導入していると論じる。 MCCFは、モダリティドロップアウトで訓練されたマルチモーダル・ボトルネック融合バックボーン、モダリティ分解されたディリクレ分布を生成するモダリティごとの明らかなヘッド、およびデンプスターとシェーファーの組み合わせルールを組み合わせる。 モダリティ-存在マスクの鍵となるモンドリアン共形キャリブレーション加群は、すべての空でないモダリティ部分集合に対して有限サンプル群条件付きカバレッジを提供する。
  論文  参考訳（メタデータ） (2026-08-07T12:57:16Z)
• SEAM: Global consistency beyond local accuracy in scientific machine learning [3.1861308132183375]
  我々は,地域,センサ,レジーム,モデルコンポーネント間で局所的な一貫性を問うことができるジェネレータに依存しないフレームワークであるScientific Explanation-Admissibility Machines (SEAM)を紹介した。 SEAMは、ローカルな予測が正確であっても互換性のない説明を検出し、特定のチャネルとオーバーラップに対する属性の失敗を検知する。 既存の問題解決者や学習モデルにグローバルな説明整合性監査を追加し、それらのローカルな説明が一貫性のある科学的説明を形成するかどうかをテストする。
  論文  参考訳（メタデータ） (2026-08-06T07:45:23Z)
• LEDGERMIND: Provenance-Constrained Multimodal Agentic Reasoning with a Structured Evidence Ledger [11.70343232168598]
  LedgerMindはプロビデンスに制約のあるエージェント推論エンジンである。 最終回答の精度が曖昧になる傾向にある4つの繰り返し発生する障害パターンをターゲットにしています。 答えの正確さと軌道レベルの忠実さの両方を改善する。
  論文  参考訳（メタデータ） (2026-07-30T15:35:34Z)
• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• Set-Inclusive Uncertainty Modeling for Robust Brain Tumor Segmentation [17.88630413987641]
  本稿では,表現をガウス分布としてモデル化する確率的表現フレームワークを提案する。 我々は,各部分構成の平均値をその完全モダリティに対して正規化するとともに,その整列手段間の差分をスケールする。 BraTS 2018と2020の実験では、さまざまな欠落したモダリティシナリオに対して、私たちのアプローチがベースラインよりも優れたパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2026-06-29T14:35:55Z)
• PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception [75.70273182182397]
  PerceptionRubricsはルーブリックベースの評価フレームワークである。 飽和ベンチマークスコアと現実世界の脆さのギャップに対処する。 1,038枚のインフォメーションセンス画像と1万個以上のインスタンス固有のルーリックをペアリングする。
  論文  参考訳（メタデータ） (2026-06-26T17:59:15Z)
• The Need for an External Observer Formalizing the Sufficiency Gap: A Mathematical Extension of Mixture Identifiability and Contextual Grounding in Sequence Models [0.0]
  我々は、決定論的テキスト構造と、保存されていない潜在状態によって支配される1つのランダム構造を持つ2元混合登録プロセスを構築した。 結果として生じるエントロピー差は通常の最適化誤差ではない。 補正信号は、その忠実度が誤解を招く状態に割り当てられたテキストのみの後方重みを超えると、テキスト履歴によって引き起こされる後続のオッズを正確に反転させる。
  論文  参考訳（メタデータ） (2026-05-26T08:53:11Z)
• Multi-Agent Debate: A Unified Agentic Framework for Tabular Anomaly Detection [7.807411603618987]
  マルチエージェント議論フレームワーク(MAD)は、不一致を第一級信号として扱う。 MADは、大言語モデル(LLM)ベースの批評家によって強化された正規化された異常スコア、信頼性、構造化された証拠を生成する。 コンフォメーションキャリブレーションが議論されたスコアをラップして、交換可能性の下で偽陽性を制御する方法を示す。
  論文  参考訳（メタデータ） (2026-02-15T17:44:32Z)
• Milestones over Outcome: Unlocking Geometric Reasoning with Sub-Goal Verifiable Reward [67.00373428443879]
  サブゴールレベルの評価と学習へのパラダイムシフトを導入する。 まず,厳密な形式検証データエンジンを用いたベンチマークであるGeoGoalを構築した。 本研究では,スケルトンレートに基づいて,スパース信号を高密度な報酬に置き換えるサブゴール検証リワード(SGVR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-08T16:17:56Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)

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。