論文の概要: Not All Confusion Is Equal: A Source-Aware Uncertainty Diagnosis for Fine-Grained Aircraft Detection
- arxiv url: http://arxiv.org/abs/2609.29959v1
- Date: Thu, 24 Sep 2026 15:17:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:10.04505
- Title: Not All Confusion Is Equal: A Source-Aware Uncertainty Diagnosis for Fine-Grained Aircraft Detection
- Title（参考訳）: 全融合が等しくない:細粒航空機検出のためのソース認識不確実性診断
- Abstract要約: 混乱の原因は、それぞれが定量的に測定可能であり、パッシブな測定を動作可能なガイダンスに変えている、と我々は主張する。
2つの軸に沿って混乱の原因を分解する診断ツールであるA2E2$を提示する。
微粒な航空機検出では、4つの四分儀は独自の治療の判断で4つの名前の源となる。
- 参考スコア（独自算出の注目度）: 3.0534907156411326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fine-grained object detectors are commonly evaluated with confusion matrices, which show where the model is confused but not why, nor whether the confusion can be reduced. We argue that confusion can be attributed to distinct, separable sources, each quantitatively measurable, turning a passive measurement into actionable guidance. We present $A^2E^2$, a diagnostic tool that decomposes the sources of confusion along two axes, $\{$aleatoric, epistemic$\} \times \{$within-class, between-class$\}$, giving a $2\times2$ taxonomy that enumerates the source types. Each quadrant is measured by its own quantity, computed in one of three places (input geometry, output-space disagreement, and the bias-parameter posterior), so the two epistemic sources are separated by construction rather than by an empirical correlation. On fine-grained aircraft detection, the four quadrants become four named sources with their own remedy verdict: affinity (geometric similarity, irreducible from size alone), heterogeneity (geometrically heterogeneous sub-variants, pointing to re-labeling rather than more data), contested (an insufficiently trained but learnable boundary, improvable), and collapsed (a class starved of data, reducible). After attributing the confusion to a specific reducible source, we apply a targeted intervention and verify experimentally that it reduces the diagnosed source specifically while leaving the irreducible sources unchanged. $A^2E^2$ thus turns confusion measurement into a concrete, validatable and actionable "diagnosis" in which the same off-diagonal mass can carry opposite causes and opposite remedies. We also state this framework's limits, including which sources are only partially identifiable on this specific dataset and why.
- Abstract（参考訳）: 細粒度物体検出器は、混乱行列を用いて一般的に評価され、モデルがなぜ混同されているかを示すが、混乱を低減できるかどうかを示す。
混乱の原因は、それぞれが定量的に測定可能であり、パッシブな測定を動作可能なガイダンスに変えている、と我々は主張する。
A^2E^2$は、2つの軸に沿った混乱の原因を分解する診断ツールであり、$\{$aleatoric, epistemic$\} \times \{$within-class, between-class$\}$であり、ソースの型を列挙する$2\times2$の分類を与える。
各クアドラントは、それぞれの量で測定され、3つの場所の1つ(入力幾何学、出力空間不一致、バイアスパラメータ後部)で計算されるので、2つの震源は、経験的相関ではなく、構成によって分離される。
微粒な航空機検出では、4つの四分儀は、アフィニティ(幾何学的類似性、サイズだけでは説明できない)、異質性(幾何学的に不均一な亜種で、より多くのデータではなく再ラベルを指している)、競争(不十分に訓練されているが学習可能な境界線、即効性)、崩壊(データのクラス飢餓、再現性)の4つの名前の拠出源となる。
特定の再生可能源に混乱を生じさせた後、対象とする介入を適用し、既約源をそのまま残しながら、診断可能源を特異的に減少させることを実験的に検証する。
したがって、A^2E^2$は、混乱測定を、同じ対角圏外質量が反対の原因と反対の治療法を運ぶことができる、具体的な、有効で実行可能な「診断」(diagnosis)に変換する。
また、このフレームワークの制限には、どのソースがこの特定のデータセットで部分的に識別できるのか、なぜなのかが含まれる。
関連論文リスト
- Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。
スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
論文 参考訳（メタデータ） (2026-08-10T19:42:01Z) - A diagrammatic field theory of quantum error correction [0.0]
核融合圏における核融合空間符号を中心とした量子誤り訂正のためのフレームワークを開発する。
私たちは、コードファミリを成長させるために、幾何学に依存したIsingの4点重みを計算します。
また、共形ブロック確率データを定式化し、幾何依存のIsing四点重みを計算する。
論文 参考訳（メタデータ） (2026-07-09T20:10:13Z) - Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement [66.67463557274358]
バイアス付きデータセットに基づいてトレーニングされた基礎モデルは、しばしばターゲットラベルと非因果属性の間の急激な相関に依存する。
信頼誘導概念マイニング(CBCM:Confidence-guided Concept Mining)を導入し,属性アノテーションを使わずに信頼性の高いスプリアス属性を同定する。
本稿では,目標と突発的な表現を2つのブランチに分離するプロンプトチューニングフレームワークであるDual-branch Cross-projection Debiasing (DCD)を提案する。
論文 参考訳（メタデータ） (2026-06-23T05:28:47Z) - Diffusion Models Observe Only Gradients: A Geometric Perspective on Score Matching Errors [27.894241484593735]
L2$のスコア誤差は、限界分布品質の固有値ではないことを示す。
学習した拡散モデルは、目標分布を完全に一致させながら、大きな$L2$スコア誤差を発生させることができる。
論文 参考訳（メタデータ） (2026-06-04T13:53:38Z) - Asymptotic distinguishability of Haar-averaged measurement models [0.0]
本研究では,同じHaar-random測定機構によって生じる識別問題について検討する。
固定$N$, large-d$, the fixed-$d$, large-$N$ regime, the sparse joint-scaling regime $N=o(sqrt d)$, and the critical scaling regime $N/sqrt dto c$。
論文 参考訳（メタデータ） (2026-05-29T11:20:52Z) - The conditional-mean barrier: From deterministic regression to conditional distribution learning [6.160113667162026]
このチュートリアルでは、条件-平均障壁を中心とした自己完結モジュールを開発する。
平方損失予測器に潜在ランダム性を加えると、条件平均に戻る。
我々は,否定的対数類似度,モーメントとオブザーバブルマッチング,変分目的,逆数分岐,スコアマッチングなどの共通分布目的を短時間に整理する。
論文 参考訳（メタデータ） (2026-05-27T07:31:42Z) - Tight Convergence Rates for Online Distributed Linear Estimation with Adversarial Measurements [66.94250413799232]
分散パラメータ-サーバ-ワーカー設定における乱数ベクトル$X$の推定について検討する。
主な課題は、敵の計測と非同期である。
その結果, 分散線形推定におけるロバスト性, 識別性, 統計的効率の統一的有限時間評価が得られた。
論文 参考訳（メタデータ） (2026-04-07T11:45:55Z) - Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
深部異方性回帰における自己教師付き共分散推定について検討する。
正規分布の間の2-ワッサーシュタイン距離の上界を導出する。
幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
論文 参考訳（メタデータ） (2025-02-14T22:37:11Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - How Does Pseudo-Labeling Affect the Generalization Error of the
Semi-Supervised Gibbs Algorithm? [73.80001705134147]
擬似ラベル付き半教師付き学習(SSL)におけるGibsアルゴリズムによる予測一般化誤差(ゲンエラー)を正確に評価する。
ゲンエラーは、出力仮説、擬ラベルデータセット、ラベル付きデータセットの間の対称性付きKL情報によって表現される。
論文 参考訳（メタデータ） (2022-10-15T04:11:56Z)
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。