論文の概要: The Illusion of Balanced Multimodal Sentiment Analysis: Beyond the Limits of Optimization-Based Methods
- arxiv url: http://arxiv.org/abs/2609.11247v1
- Date: Thu, 10 Sep 2026 08:44:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.260622
- Title: The Illusion of Balanced Multimodal Sentiment Analysis: Beyond the Limits of Optimization-Based Methods
- Title（参考訳）: 均衡型マルチモーダル感性分析のイリュージョン:最適化手法の限界を超えて
- Abstract要約: 制御された設定下で、勾配と損失に基づくバランス戦略をテストするフレームワークを提供する。
また、これらの手法が失敗する理由を説明する理論的診断も提供する。
モダリティの不均衡は未解決のままであり、保留性能からユーティリティー推定を動機付けている。
- 参考スコア（独自算出の注目度）: 46.961760920706546
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Multimodal Sentiment Analysis (MSA) remains constrained by modality imbalance, yet the field continues to rely on optimization-based balancing methods that promise more than they deliver. We provide three contributions: 1) a unified evaluation framework testing gradient and loss-based balancing strategies under controlled settings; 2) a theoretical diagnosis explaining why these methods fail, as they conflate fitting speed with discriminative contribution; and 3) a research agenda toward held-out discriminative modality valuation. Experiments on CMU-MOSI and CMU-MOSEI reveal three shortcomings: no strategy reliably outperforms Late Concatenation; performance is sensitive to hyperparameters; and even ratio calibration fails to yield consistent gains. The core issue is fundamental: loss is not utility, and gradients are not importance. Modality imbalance remains unresolved, motivating utility estimation from held-out performance.
- Abstract（参考訳）: マルチモーダル・センティメント・アナリティクス(MSA)は、モダリティの不均衡によって制約され続けているが、この分野は、提供以上のことを約束する最適化ベースのバランス手法に依存し続けている。
私たちは3つのコントリビューションを提供します。
1) 制御条件下での勾配及び損失に基づくバランス戦略の統一評価枠組み
2 これらの方法がなぜ失敗するのかを理論的に診断し、識別的貢献により適合速度を割当する。
3) 差別的モダリティ評価の維持に向けた研究課題
CMU-MOSIとCMU-MOSEIの実験では、3つの欠点が明らかになっている。
損失は有用ではなく、勾配は重要ではない。
モダリティの不均衡は未解決のままであり、保留性能からユーティリティー推定を動機付けている。
関連論文リスト
- Distribution-Aware Robust Bilevel Optimization: Quantile-Guided Huber Updates in Two-Timescale Stochastic Approximation [16.106678611834102]
双レベル最適化(BLO)は階層的な決定には基本的だが、重み付き雑音下での臨界不安定性に悩まされている。
既存の技術は通常、等級チェックに依存しており、情報的幾何学的信号と外れ値の区別に失敗する。
論文 参考訳（メタデータ） (2026-06-21T10:57:37Z) - A Risk Decomposition Framework for Pre-Hoc Fine-Tuning Prediction [7.112791813526235]
微調整 LLM の高コスト化は経済的障壁となり、このコストを著しく削減するためには、プリホック性能予測が重要な解決策となる。
情報制約下での予測問題として定式化し、予測リスクを2つのコンポーネントに分解する。
本稿では,タスクを静的,動的臨界,騒音支配の3つに分類する予測可能性フェーズ図を提案する。
論文 参考訳（メタデータ） (2026-06-16T08:07:42Z) - Momentum for Reasoning: Dense Intrinsic Signals in Policy Optimization [31.547614109943158]
検証可能な報酬付き強化学習(RLVR)は,大規模言語モデルにおける長鎖推論の強力なパラダイムとして登場した。
提案手法は,最終回答に対する思考軌跡の情報量を測定するシーケンスレベル信号と,重要な決定トークンにおける確実な予測を円滑化させるトークンレベル指向報酬とを組み合わせ,ISPO(Intrinsic Signal Policy Optimization)を提案する。
ISPOは競争ベースラインを一貫して上回り、ゼロアドバンテージ崩壊が最も頻繁なベンチマークで最大の利益を上げ、トレーニング力学診断では両方の障害モードが減少していることを確認した。
論文 参考訳（メタデータ） (2026-06-07T20:08:36Z) - Joint Training of Multi-Token Prediction in Reinforcement Learning via Optimal Coefficient Calibration [61.46060073417047]
MTP(Multi-Token Prediction)は、事前トレーニングにおいて広く採用されているモジュールである。
RL目標に対するMPPの段差効果は,第1次相関と第2次ペナルティの2つの項に分解できることを示す。
本稿では,ログ確率プロキシを用いて最適係数を無視可能なコストでオンラインで追跡する適応型手法を提案する。
論文 参考訳（メタデータ） (2026-05-27T09:07:06Z) - Reward Under Attack: Analyzing the Robustness and Hackability of Process Reward Models [68.45272703833209]
現状のPRMは、逆最適化圧力下で体系的に利用可能であることを示す。
これらの脆弱性を定量化するために、敵の圧力を増大させる3段階の診断フレームワークを導入する。
我々は、PRM-BiasBenchと診断ツールキットをリリースし、デプロイ前にロバストネスの評価を可能にする。
論文 参考訳（メタデータ） (2026-02-20T23:38:03Z) - Uncertainty-Aware Dual-Ranking Strategy for Offline Data-Driven Multi-Objective Optimization [9.62861758248967]
オフラインデータ駆動型多目的最適化問題(MOP)は、シミュレーション、実験、センサーからの限られたデータに依存している。
本稿では, 基本的な多目的進化アルゴリズムNSGA-IIを用いて, 単純かつ斬新な2段階戦略を提案する。
この二重ランク戦略では、各解の最終ランクは、その非支配的なソートランクの平均であり、不確実調整適合関数から導かれるランクである。
論文 参考訳（メタデータ） (2025-11-09T16:53:40Z) - MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。
我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。
数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
論文 参考訳（メタデータ） (2025-09-25T14:58:29Z) - Smoothed Online Optimization for Target Tracking: Robust and Learning-Augmented Algorithms [14.970453355735225]
我々は,不確実性の下でのオンライン意思決定において,3つの重要な目標を統合する新しい枠組みを導入する。
まず、SOOTTの競合保証を証明可能な頑健なアルゴリズムであるBESTを紹介する。
実用性能を向上させるために,信頼できないブラックボックス予測を組み込んだ学習拡張型であるCoRTを導入する。
論文 参考訳（メタデータ） (2025-09-07T05:22:41Z) - Learning to Optimize with Stochastic Dominance Constraints [103.26714928625582]
本稿では,不確実量を比較する問題に対して,単純かつ効率的なアプローチを開発する。
我々はラグランジアンの内部最適化をサロゲート近似の学習問題として再考した。
提案したライト-SDは、ファイナンスからサプライチェーン管理に至るまで、いくつかの代表的な問題において優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-14T21:54:31Z) - Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。
本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
論文 参考訳（メタデータ） (2021-07-28T05:18:10Z)
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。