論文の概要: CONFER: Conflict-Aware Evidence Negotiation for Regime-Calibrated Weak Supervision in Multimodal Emotion Recognition
- arxiv url: http://arxiv.org/abs/2608.07867v1
- Date: Sat, 08 Aug 2026 02:42:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.538683
- Title: CONFER: Conflict-Aware Evidence Negotiation for Regime-Calibrated Weak Supervision in Multimodal Emotion Recognition
- Title（参考訳）: 結論:マルチモーダル感情認識における正規校正弱スーパービジョンに対する競合意識の検証
- Abstract要約: 弱い教師付きマルチモーダル感情認識のためのグラフベース競合認識型エビデンス交渉フレームワーク
ConFERは、過去のアウトオブフォールドのパフォーマンスと現在のサンプルの不確実性から推定される予測的信念、境界ベースの不確実性、実行時の信頼性を備えたノードとして、各モダリティ専門家を表現している。
ConFER は AMIGOS-V の textbf0.873 精度と MAHNOB-V の textbf0.854 精度を厳密なLOSO 評価で達成する。
- 参考スコア（独自算出の注目度）: 2.587219755021037
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal emotion recognition often treats self-reported labels as reliable supervision while overlooking self-report unreliability and cross-modal conflict. We propose \textbf{CONFER}, a graph-based conflict-aware evidence negotiation framework for weakly supervised multimodal emotion recognition. CONFER represents each modality expert as a node with a predictive belief, boundary-based uncertainty, and runtime reliability estimated from historical out-of-fold performance and current-sample uncertainty. Uncertainty-aware compatibility and reliability-directed asymmetric edge weights govern iterative message-passing negotiation, followed by peer-supported prediction readout. Conflict reduction, residual disagreement, and mean modality uncertainty further characterize three regimes---Consensus, Dissent, and Ambiguity---for sample-specific weak-label calibration. We evaluate CONFER on AMIGOS, MAHNOB-HCI, and DEAP under subject-dependent 10-fold and strict leave-one-subject-out (LOSO) protocols. CONFER achieves competitive performance, reaching \textbf{0.873} accuracy on AMIGOS-V and \textbf{0.854} accuracy on MAHNOB-V under strict LOSO evaluation. Further analyses show larger negotiation gains on high-conflict samples and improved robustness to weak-label corruption, indicating that cross-modal conflict provides useful information for both directional modality coordination and supervision-reliability estimation.
- Abstract（参考訳）: マルチモーダル感情認識は、自己申告されたラベルを信頼性のある監視対象として扱い、自己申告不信や相互モーダルの対立を見越す。
本稿では,弱い教師付きマルチモーダル感情認識のためのグラフベースのコンフリクト対応エビデンス交渉フレームワークである「textbf{CONFER}」を提案する。
CONFERは、それぞれのモダリティの専門家を、予測的信念、境界ベースの不確実性、そして過去のアウトオブフォールドのパフォーマンスと現在のサンプルの不確実性から推定される実行時の信頼性を持つノードとして表現する。
不確実性認識の互換性と信頼性指向の非対称エッジウェイトは、反復的なメッセージパッシング交渉を制御し、その後、ピアサポートされた予測読み出しが続く。
矛盾の低減、残留不一致、平均モダリティの不確実性は、サンプル固有の弱いラベルの校正に関して、さらに3つの体制を特徴づける。
AMIGOS, MAHNOB-HCI, DEAP における CONFER の評価を行った。
CONFERは、厳密なLOSO評価の下で、AMIGOS-Vで \textbf{0.873} 精度、MAHNOB-Vで \textbf{0.854} 精度に達する競争性能を達成する。
さらに分析したところ、高信頼度サンプルに対する交渉がより大きくなり、弱いラベルの破損に対する堅牢性が向上し、双方向の競合が指向性調整と監督-信頼性推定の両方に有用な情報を提供することが示された。
関連論文リスト
- CARGO-VL: Counterfactual Arbitration with Risk-Constrained Group Optimization for Vision-Language Models [2.038560872025072]
視覚言語システムは、画像と検索されたテキストを組み合わせるが、これらの情報源は意見の相違や、共同で回答をサポートしない可能性がある。
CARGO-VL(CARGO-VL)は、一致、画像補正、テキスト訂正、および両筆(A/V/T/N)エビデンス状態をカバーする、一致した変種を最適化するグループ相対フレームワークである。
また,4条件のコンフリクトトレーニングリソースであるXMC(eXtended Modal Conflict)をコントリビュートし,CMC-BenchとModality-Biasの移行を評価する。
論文 参考訳（メタデータ） (2026-08-05T06:47:46Z) - Adaptive Modality Reliability Diagnosis and Restoration for Robust Multimodal Intent Recognition [2.2012643583422347]
マルチモーダルな意図認識は言語的、音響的、視覚的な証拠を組み合わせたものであるが、個々のモダリティはうるさい、欠落、意味的に矛盾する、あるいは不当に支配的である可能性がある。
サンプルレベルでのモダリティ品質の診断,回復,再評価を行うクローズドループ信頼性ガイドフレームワークであるPRIMEを提案する。
マルチモーダルな意図認識ベンチマークの実験では、PRIMEは、欠如、ノイズ、矛盾、モダリティの不均衡条件下で改善しながら、競争力のあるクリーンデータ性能を維持している。
論文 参考訳（メタデータ） (2026-08-04T11:14:13Z) - Aligning LLM Uncertainty with Human Disagreement in Subjectivity Analysis [57.78407973423517]
我々は、モデルが人間の不一致を反映した不確実性を表現しながら予測する不確実性を考慮した主観性分析を提唱する。
この視点を運用するために,二相認識と不確実性アライメントの枠組みを提案する。
3つの主観的分析課題の実験は、DPUAが人間の不一致とモデルの不確実性をよりよく整合させながら、タスク性能を保っていることを示している。
論文 参考訳（メタデータ） (2026-05-11T11:52:58Z) - When Reviews Disagree: Fine-Grained Contradiction Analysis in Scientific Peer Reviews [25.43097618275061]
RevCIは、評価された強度ラベルを持つエビデンスレベルの矛盾アノテーションを備えたピアレビューペアの専門家によるベンチマークである。
IMPACTは、アスペクト条件のエビデンス抽出、熟考的推論、偏見を統合した構造化マルチエージェントフレームワークである。
TIDEは1つの前方通過における矛盾する証拠と強度を予測する小さな言語モデルである。
論文 参考訳（メタデータ） (2026-05-11T08:20:58Z) - FERA: Uncertainty-Aware Federated Reasoning for Large Language Models [60.52562148874846]
我々は、サーバがプライベートなデモンストレーションを行う異種クライアントと協調することで、多段階推論を改善するフェデレーション推論について研究する。
重要な課題は、クライアントの信頼性がクエリ依存であるのに対して、サーバはクライアントデータを検査して、どのコントリビューションが信頼できるかを判断できません。
本稿では,サーバクライアントの反復的コリファインメントに基づくトレーニングフリーフレームワークである Uncertainty-Aware Federated Reasoning (FERA) を提案する。
論文 参考訳（メタデータ） (2026-05-11T07:04:51Z) - To Fuse or to Drop? Dual-Path Learning for Resolving Modality Conflicts in Multimodal Emotion Recognition [87.22988227382329]
マルチモーダル感情認識(MER)は、テキスト、音声、視覚を組み合わせることで恩恵を受けるが、標準的な融合は、モダリティが相反する場合に失敗することが多い。
我々は,いつフューズするか,いつモダリティを落とすのかを学習する統合フレームワークであるDual-Path Conflict Resolution (DCR)を提案する。
論文 参考訳（メタデータ） (2026-05-06T13:11:33Z) - Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。
EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。
最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文 参考訳（メタデータ） (2026-04-17T13:27:11Z) - FACT-E: Causality-Inspired Evaluation for Trustworthy Chain-of-Thought Reasoning [49.65751420291115]
CoT(Chain-of-Thought)プロンプトはLSM推論を改善したが、モデルはしばしば不誠実な中間ステップを含むコヒーレントな説明を生成する。
我々は、CoTの品質を評価するための因果性に着想を得たフレームワークであるFACT-Eを提案する。
FACT-Eは推論・軌道選択を改善し、文脈内学習を強くすることを示す。
論文 参考訳（メタデータ） (2026-04-12T15:35:08Z) - CLASH: A Benchmark for Cross-Modal Contradiction Detection [15.134491772506196]
CLASHはマルチモーダル矛盾検出のための新しいベンチマークである。
COCOイメージは、制御対象レベルの矛盾や属性レベルの矛盾を含む矛盾したキャプションと組み合わせられる。
論文 参考訳（メタデータ） (2025-11-24T15:09:07Z) - Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。
本稿では,ロバストネスアライメントスコア(RAS)を提案する。
論文 参考訳（メタデータ） (2025-11-24T12:07:56Z) - FaithCoT-Bench: Benchmarking Instance-Level Faithfulness of Chain-of-Thought Reasoning [62.452350134196934]
FaithCoT-Benchは、インスタンスレベルのCoT不信検出のための統一ベンチマークである。
我々の枠組みは差別的な決定問題として不誠実検出を定式化している。
FaithCoT-Bench は LLM のより解釈可能で信頼性の高い推論に向けた将来の研究の基盤となる。
論文 参考訳（メタデータ） (2025-10-05T05:16:54Z)
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。