基于条件概率电路的上下文特定信誉感知多模态融合
机器学习
2026-03-30 v1
摘要
多模态融合需要整合来自多个可能因特定情境因素（如传感器退化或类别特定损坏）而变得不可靠的来源的信息。现有的融合方法通常依赖于关于源可靠性的静态假设，限制了其在源因情境因素而变得不可靠时解决冲突的能力。我们引入 CMF，一种基于条件概率电路 (CPC) 的上下文特定信誉感知多模态融合框架，模型化每个实例的源可靠性。我们通过从 CPC 中精确计算的基于 KL 散度的上下文特定信息信誉 (CSIC) 形式化实例级可靠性。CSIC 将常规静态信誉估计作为特殊情况推广，使可原则且自适应地评估可靠性。为评估在跨模态冲突下的鲁棒性，我们提出了冲突基准，在该基准中，特定类别的损坏刻意引起不同模态之间的差异。实验结果表明，在高噪声设置下，CMF 比静态信誉基线提高了最高可达 29% 的预测准确度，同时保持概率电路基于融合的可解释性优势。
引用
@article{arxiv.2603.26629,
title = {Context-specific Credibility-aware Multimodal Fusion with Conditional Probabilistic Circuits},
author = {Pranuthi Tenali and Sahil Sidheekh and Saurabh Mathur and Erik Blasch and Kristian Kersting and Sriraam Natarajan},
journal= {arXiv preprint arXiv:2603.26629},
year = {2026}
}