Fugu-MT 論文翻訳(概要): Interpretable Multimodal Classification with Linear Discriminant Tree Ensembles

論文の概要: Interpretable Multimodal Classification with Linear Discriminant Tree Ensembles

arxiv url: http://arxiv.org/abs/2608.20384v1
Date: Tue, 30 Jun 2026 02:29:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.293911
Title: Interpretable Multimodal Classification with Linear Discriminant Tree Ensembles
Title（参考訳）: 線形判別木アンサンブルを用いた解釈可能なマルチモーダル分類
Abstract要約: マルチモーダルな感情と行動分類器は、同時に競争精度を達成し、人間の説明を生成する必要がある。トランスフォーマーは高い予測性能を得るが、その分散表現と深い非線形性により、個々のマルチモーダル特徴に意味のある重みを割り当てることは困難である。木に基づくアンサンブルに基づくフレームワークを開発し,精度と解釈可能性のバランスをとる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multimodal affect and behaviour classifiers that fuse heterogeneous text, audio, and visual streams must simultaneously achieve competitive accuracy and produce human-understandable explanations of the cues driving their decisions -- a dual objective that current high-capacity models, notably Transformers, only partially address. While Transformers attain strong predictive performance, their distributed representations and deep nonlinearity make it difficult to assign meaningful importance weights to individual multimodal features, limiting their use in trust-sensitive applications such as clinical affect monitoring and educational assessment. We address this gap by developing a framework based on tree-based ensembles that balances accuracy and interpretability. The framework encodes each modality into tokens, extracts and clusters concepts to reduce dimensionality, routes the fused modalities through tree-based ensemble classifiers, and interprets trends using a novel modified feature importance metric. The modified importance reduces the influence of the negative class in binary classification tasks, thereby improving indicator or marker detection. The proposed tree-based ensembles -- Linear Discriminant Tree (LDT), Linear Discriminant Forest (LDF), and Linear Discriminant AdaBoost (LDAB) -- achieve F1-mod gains of 4.3\% over the Multimodal Transformer and accuracy gains of 3.0\% over the primary interpretable multimodal baseline, Interpretable Multimodal Routing (IMR). The proposed multimodal feature importance extracts salient inter-modal concepts with substantially higher human-annotator agreement scores than default feature importance (62.2\% vs.\ 43.2\% on IEMOCAP; 46.7\% vs.\ 32.1\% on CMU-MOSI).
Abstract（参考訳）: 異種テキスト、オーディオ、ビジュアルストリームを融合させるマルチモーダルな感情と行動分類器は、同時に競争の正確さを達成し、決定を駆動する手がかりについて人間に理解できない説明を生成する必要がある。トランスフォーマーは高い予測性能を得る一方で、その分散表現と深い非線形性は、個々のマルチモーダル特徴に有意義な重みを割り当てることが困難であり、臨床影響モニタリングや教育評価のような信頼に敏感なアプリケーションでの使用を制限する。我々は,精度と解釈可能性のバランスをとる木に基づくアンサンブルに基づくフレームワークを開発することで,このギャップに対処する。このフレームワークは、各モダリティをトークン、抽出、クラスタの概念にエンコードし、次元を減らし、ツリーベースのアンサンブル分類器を通して融合したモダリティをルーティングし、新しい改良された特徴重要度メトリックを使用してトレンドを解釈する。修正された重要性は、二分分類タスクにおける負のクラスの影響を減らし、インジケータやマーカーの検出を改善する。 The proposed tree-based ensembles -- Linear Discriminant Tree (LDT), Linear Discriminant Forest (LDF), and Linear Discriminant AdaBoost (LDAB) -- achieve F1-mod gains over the Multimodal Transformer and accuracy gains of 3.0\% over the primary interpretable multimodal baseline, Interpretable Multimodal Routing (IMR)。提案したマルチモーダル特徴重要度は, 既定特徴重要度(62.2\%対)よりも, 極めて高いアノテータ一致スコアを有する有能なモーダル間概念を抽出する。 IEMOCAPで43.2\%、46.7\%対。 CMU-MOSI では 32.1 % である。

関連論文リスト

0.5%>100%: Bidirectional Reciprocal Learning for Referring Image Segmentation [60.19375952029603]
$textbfB$idirectional $textbfR$eciprocal $textbfL$は、新しいアダプタベースのPEFTフレームワークである。 Reciprocal Attention Adapter (RAA) はトークンレベルでクロスモーダルなクエリキー交換を行う。 Reciprocal Gate Adapter(RGA)は、チャネルレベルにおいて、クロスモーダルゲーティング信号を生成する。
論文参考訳（メタデータ） (2026-09-21T12:48:34Z)
Multi-Branch Policy Optimization for Multimodal Large Language Models [21.856599797665833]
マルチモーダルな大規模言語モデルに対するグループベース強化学習法は、トラジェクトリレベルの信用代入に依存している。マルチモーダル推論は、テキストのみの設定よりも知覚の不確実性が高い。視覚言語決定境界における推論木を構築する木ベースのフレームワークであるMulti-Branch Policy Optimization (MBPO)を提案する。
論文参考訳（メタデータ） (2026-08-05T04:00:09Z)
Beyond Instance-Level Alignment and Uniformity: Semantic Factor Learning for Collaborative Filtering [1.5984637249476494]
CF(Collaborative Filtering)は、シンプルで効率的なレコメンデータシステム(RecSys)で広く使われている。既存のCFメソッドは、インスタンスレベルの学習パラダイムに従う。本稿では,セマンティック・ファクタの強化と一様性(SaFeAU)を提案する。 SaFeAU はGCN と MF をベースとした最先端の CF 手法を、推奨精度と計算効率の両方で一貫して上回っている。
論文参考訳（メタデータ） (2026-05-29T15:15:21Z)
Supervised Deep Multimodal Matrix Factorization for Interpretable Brain Network Analysis [14.927207110150006]
統合的脳ネットワーク解析のための解釈可能なフレームワークである Supervised Deep Multimodal Matrix Factorization (SD3MF) を提案する。マルチモーダルコネクトームデータセットの実験では、SD3MFはCNNやGNNなど、強力なディープラーニングベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2026-05-13T10:26:18Z)
Feature-level Interaction Explanations in Multimodal Transformers [1.7101146971136896]
マルチモーダルトランスフォーマーは、異なるモーダルが共同で意思決定をどのように支援するかを明確にすることなく、予測を生成する。本稿では,凍結した事前学習エンコーダからトークン/パッチシーケンスを直接操作する構造化Mixture-of-Experts層であるFeature-level I2MoEを提案する。我々は,帰属とトップK%マスキングを組み合わせ,忠実度を評価する専門的な説明パイプラインを開発する。
論文参考訳（メタデータ） (2026-03-04T18:24:31Z)
BATR-FST: Bi-Level Adaptive Token Refinement for Few-Shot Transformers [2.5680214354539803]
半ショット変換器(BATR-FST)の両レベル適応型トケリファインメントを提案する。 BATR-FSTはトークン表現を徐々に改善し、数ショット分類のための頑健な帰納バイアスを維持している。 1ショットと5ショットの両方のシナリオで優れた結果が得られ、トランスフォーマーによる数ショットの分類が改善される。
論文参考訳（メタデータ） (2025-09-16T07:33:21Z)
MoCa: Modality-aware Continual Pre-training Makes Better Bidirectional Multimodal Embeddings [75.0617088717528]
MoCaは、トレーニング済みのVLMバックボーンを効果的な双方向埋め込みモデルに変換するためのフレームワークである。 MoCaは、MMEBとViDoRe-v2ベンチマークのパフォーマンスを継続的に改善し、新しい最先端の結果を達成する。
論文参考訳（メタデータ） (2025-06-29T06:41:00Z)
Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
論文参考訳（メタデータ） (2025-06-05T06:39:43Z)
Latent Preference Coding: Aligning Large Language Models via Discrete Latent Codes [54.93980123979578]
我々は、暗黙の要因をモデル化する新しいフレームワークであるLatent Preference Coding (LPC)を紹介する。 LPCは様々なオフラインアライメントアルゴリズムとシームレスに統合し、基礎となる要因とデータからその重要性を自動的に推測する。
論文参考訳（メタデータ） (2025-05-08T06:59:06Z)
Bayesian Transformer Language Models for Speech Recognition [59.235405107295655]
トランスフォーマーで表現される最先端のニューラルネットワークモデル(LM)は非常に複雑である。本稿では,トランスフォーマーLM推定のためのベイズ学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-09T10:55:27Z)
Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。