論文の概要: Reliability-Aware Probabilistic Fusion for Multimodal Learning with Incomplete Evidence

• arxiv url: http://arxiv.org/abs/2610.29621v1
• Date: Wed, 21 Oct 2026 12:04:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.354314
• Title: Reliability-Aware Probabilistic Fusion for Multimodal Learning with Incomplete Evidence
• Title（参考訳）: 不完全証拠を用いたマルチモーダル学習のための信頼性を考慮した確率的融合
• Abstract要約: 本稿では,入力依存型信頼性ウェイトが各モードの潜時精度を抑える,信頼性に配慮したガウス製品(PoE)を提案する。 信頼性と可用性が後部情報や専門家の影響に与える影響を特徴付ける。
• 参考スコア（独自算出の注目度）: 21.611399896623467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal inputs may be missing or degraded, raising distinct questions of evidence availability and trust. We introduce a reliability-aware Gaussian Product-of-Experts (PoE) in which an input-dependent reliability weight tempers each modality's latent precision, while missing experts are omitted. We characterize how reliability and availability affect posterior information and expert influence. Across two clinical multimodal tasks, the full framework remains competitive with complete inputs and achieves its clearest mean-AUROC advantage under modality absence, particularly on HAIM-MIMIC-MM. Ablations show a substantial gain from missing-aware training and an additional HAIM improvement from reliability weighting under matched PoE, missing-aware, and consistency training. Unseen test-time corruptions are used diagnostically and reveal modality-dependent reliability-weight and latent-uncertainty responses, including failure under severe degradation. Thus, reliability weighting provides an explicit evidence-control mechanism, while learning dependable quality signals remains an open challenge.
• Abstract（参考訳）: マルチモーダルなインプットは欠落または劣化し、エビデンスと信頼に関する明確な疑問を提起する。 入力依存の信頼性ウェイトが各モダリティの潜伏精度を抑えるとともに,不足した専門家を省略する,信頼性を意識したガウス製品(PoE)を導入する。 信頼性と可用性が後部情報や専門家の影響に与える影響を特徴付ける。 特にHAIM-MIMIC-MMでは,2つの臨床マルチモーダルタスク全体で,完全な入力に競争力を持ち,モダリティの欠如によるAUROCの優位性は最も明確である。 アブレーションは、欠陥認識トレーニングと、一致したPoE下での信頼性重み付けによるHAIMの改善、不足認識、一貫性トレーニングから大幅に向上することを示している。 予期せぬテストタイムの破損は診断的に使われ、高度に劣化した障害を含む、モダリティに依存した信頼性と潜伏不確かさの応答を明らかにする。 したがって、信頼性の重み付けは明確なエビデンス制御機構を提供する一方で、信頼できる品質信号の学習は依然としてオープンな課題である。

関連論文リスト

• Rethinking Modality Reliability in Multimodal Sentiment Analysis with Incomplete Observations [9.993152436695421]
  不完全観測設定において、モダリティの信頼性は中心的な変数であり、モデル化に失敗すると2つの問題が発生する。 不完全な観察を伴うマルチモーダル感性分析のためのモダリティ信頼性校正フレームワークを提案する。 MRCFにはReliability-Aware Branchが含まれており、モジュール内の品質基準とモジュール間のセマンティック一貫性からサンプル固有のモダリティの信頼性を推定する。 CMU-MOSI、CMU-MOSEI、CH-SIMSの実験により、MRCFは標準的な不完全観測プロトコルで高い性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-08-04T13:02:48Z)
• 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)
• When Does Quality-Aware Multimodal Fusion Matter? A Leakage-Safe Diagnostic for Decision-Level Dependence [3.899171236602393]
  本稿では,推測時に信頼性情報を使用するかどうかを簡易に診断する手法を提案する。 感情分析のためのストレス認識とCMU-MOSEIの実験は、変動する信頼性スコアは、性能が変わらないことを示している。
  論文  参考訳（メタデータ） (2026-06-25T00:14:22Z)
• 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)
• QA-MoE: Towards a Continuous Reliability Spectrum with Quality-Aware Mixture of Experts for Robust Multimodal Sentiment Analysis [9.551550608808752]
  欠如と品質劣化をひとつのフレームワークに統合するために、継続的信頼性スペクトラムを導入します。 そこで我々は,自己教師型アレタリック不確実性によってモダリティの信頼性を定量化するQA-MoEを提案する。 大規模な実験により、QA-MoEは様々な劣化シナリオで競争力や最先端のパフォーマンスを達成することが示されている。
  論文  参考訳（メタデータ） (2026-04-07T11:04:23Z)
• ParamMute: Suppressing Knowledge-Critical FFNs for Faithful Retrieval-Augmented Generation [91.20492150248106]
  本研究では,不誠実な生成の背後にある内部メカニズムを解明し,不均等に活性化される中深度フィードフォワードネットワーク(FFN)のサブセットを同定する。 本研究では,不信感関連FFNの活性化を抑制することにより,文脈的忠実度を向上させるフレームワークであるParametric Knowledge Mutingを提案する。 実験結果から,ParamMuteはCoFaithfulQAと確立されたConFiQAベンチマークの両方の信頼度を大幅に向上し,パラメトリックメモリへの依存度を大幅に低下させることが示された。
  論文  参考訳（メタデータ） (2025-02-21T15:50:41Z)
• Evidential Deep Partial Multi-View Classification With Discount Fusion [24.139495744683128]
  Evidential Deep partial Multi-View Classification (EDP-MVC) と呼ばれる新しいフレームワークを提案する。 欠落したビューに対処するためにK-means命令を使用し、マルチビューデータの完全なセットを作成します。 この暗示されたデータ内の潜在的な衝突や不確実性は、下流の推論の信頼性に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-08-23T14:50:49Z)
• Reliable Multimodality Eye Disease Screening via Mixture of Student's t Distributions [49.4545260500952]
  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EyeMoStについて紹介する。 本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。 パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
  論文  参考訳（メタデータ） (2023-03-17T06:18:16Z)

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。