論文の概要: Confidence Falls Short: Asymmetric Certainty Gains from Optimization Hinder Multimodal Classification

• arxiv url: http://arxiv.org/abs/2609.28165v1
• Date: Wed, 23 Sep 2026 14:12:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.058814
• Title: Confidence Falls Short: Asymmetric Certainty Gains from Optimization Hinder Multimodal Classification
• Title（参考訳）: 信頼の低下が短い - 最適化Hinderマルチモーダル分類による非対称な不確実性向上
• Abstract要約: マルチモーダル学習(MML)は、モダリティの不均衡現象によって最適化ジレンマに陥る。 モータリティのセマンティックな信頼度に動的に介入するMax Confidence Regularization (MaxCR)を提案する。
• 参考スコア（独自算出の注目度）: 6.78015109959356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal learning (MML) falls into the optimization dilemma due to the modality imbalance phenomenon, leading to suboptimal overall performance in practice. While many attempts primarily focus on balancing the optimization dynamics across modalities to address this issue, we identify a subtle yet critical flaw: optimization yields asymmetric gains in predictive certainty, with the strong modality more confident than the weak one, driving imbalanced modality contributions. In this paper, our analysis reveals that this flaw stems from unimodal characteristics rather than multimodal learning, and this confidence discrepancy can be corrected by positive cross-modal intervention. Based on this insight, we propose multimodal Max Confidence Regularization (MaxCR) to dynamically intervene in modality semantic confidence. Specifically, the semantic confidence of each modality is tracked using a nonlinear sparsity measure. We then design max suppression and max excitation based on this measure to regularize strong and weak modalities, respectively. They penalize and encourage the top-1 confidence, thereby constraining multimodal prediction. To this end, strong and weak modalities are expected to make calibrated confidence, thereby improving the overall performance. Empirical experiments on widely used datasets reveal the superiority of our method through comparison with various state-of-the-art (SOTA) multimodal learning baselines.
• Abstract（参考訳）: マルチモーダルラーニング(MML)は、モダリティの不均衡現象によって最適化ジレンマに陥り、実際は準最適全体的な性能をもたらす。 最適化は予測的確実性において非対称的な利得をもたらし、弱いものよりも強いモダリティが自信を持ち、不均衡なモダリティの寄与を駆動する。 本稿では,この欠陥は多モーダル学習というよりも,単モーダルな特徴に起因しており,その信頼性の相違は,正の相互モーダル介入によって補正できることを示す。 この知見に基づいて,モーダルなセマンティックな信頼度に動的に介入するマルチモーダルなMax Confidence Regularization (MaxCR)を提案する。 具体的には、各モードのセマンティックな信頼度は非線形スペーサ性尺度を用いて追跡される。 次に、この尺度に基づいて最大抑圧と最大励起を設計し、それぞれ強いモダリティと弱いモダリティを正則化する。 彼らはトップ1の自信を罰し、奨励し、それによってマルチモーダルな予測を制限します。 この目的のために、強く弱いモダリティが校正された信頼性を期待され、全体的な性能が向上する。 広く使われているデータセットに対する実証実験により、様々な最先端(SOTA)マルチモーダル学習ベースラインとの比較により、本手法の優位性を明らかにした。

関連論文リスト

• Adaptive Confidence-weighted Expansion for Trustworthy Multi-Omics Multimodal Fusion [0.8749675983608171]
  マルチモーダル融合モデルの信頼性を高めるために,適応信頼度重み付き拡張(ACE)を導入する。 ACEは、分類性能と信頼性キャリブレーションの両方において、既存の最先端アルゴリズムよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-07-22T21:42:16Z)
• Is Softmax Loss All You Need? A Principled Analysis of Softmax-family Loss [91.61796429377041]
  ソフトマックスの損失は、分類とランキングのタスクにおいて最も広く使用されるサロゲートの目標の1つである。 本研究では,異なるサロゲートが分類とランキングの指標との整合性を達成するかどうかを考察し,それらの勾配ダイナミクスを分析して,異なる収束挙動を明らかにする。 本研究は,大規模機械学習アプリケーションにおける損失選択の実践的ガイダンスとして,原則的基礎を確立した。
  論文  参考訳（メタデータ） (2026-01-30T09:24:52Z)
• Rethinking Multimodal Learning from the Perspective of Mitigating Classification Ability Disproportion [6.749782429802639]
  マルチモーダル学習は、モダリティの不均衡によって著しく制約される。 本稿では,強化の原理を取り入れて,弱いモダリティと強いモダリティの分類能力のバランスをとる新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-27T14:12:20Z)
• Asymmetric Reinforcing against Multi-modal Representation Bias [59.685072206359855]
  マルチモーダル表現バイアス(ARM)に対する非対称強化法を提案する。 我々のARMは、条件付き相互情報を通じて支配的なモダリティを表現する能力を維持しながら、弱いモダリティを動的に強化する。 我々はマルチモーダル学習の性能を著しく改善し、不均衡なマルチモーダル学習の軽減に顕著な進展をもたらした。
  論文  参考訳（メタデータ） (2025-01-02T13:00:06Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Calibrating Multimodal Learning [94.65232214643436]
  本稿では,従来の手法の予測信頼性を校正するために,新たな正規化手法であるCML(Callibrating Multimodal Learning)正則化を提案する。 この技術は、既存のモデルによって柔軟に装備され、信頼性校正、分類精度、モデルロバスト性の観点から性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-06-02T04:29:57Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Adversarial Robustness with Semi-Infinite Constrained Learning [177.42714838799924]
  入力に対する深い学習は、安全クリティカルなドメインでの使用に関して深刻な疑問を提起している。 本稿では,この問題を緩和するために,Langevin Monte Carlo のハイブリッドトレーニング手法を提案する。 当社のアプローチは、最先端のパフォーマンスと堅牢性の間のトレードオフを軽減することができることを示す。
  論文  参考訳（メタデータ） (2021-10-29T13:30:42Z)

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。