DUAL：动态不确定性感知学习
机器学习
2025-06-05 v1 计算机视觉与模式识别
摘要
深度学习模型在多种学习场景中经常遇到特征不确定性，这显著影响了其性能和可靠性。在多模态场景中，这一挑战尤为复杂，因为模型必须整合来自不同来源且具有固有不确定性的信息。我们提出了动态不确定性感知学习(Dynamic Uncertainty-Aware Learning, DUAL)，这是一个统一的框架，能够有效处理单模态和多模态场景中的特征不确定性。DUAL 引入了三项关键创新：动态特征不确定性建模，通过综合考虑特征特性和学习动态来持续优化不确定性估计；自适应分布感知调制，通过动态调整样本影响来维持平衡的特征分布；以及不确定性感知的跨模态关系学习，显式地建模跨模态交互中的不确定性。通过大量实验，我们证明了 DUAL 在多个领域的有效性：在计算机视觉任务中，在 CIFAR-10 上实现了 7.1% 的准确率提升，在 CIFAR-100 上提升了 6.5%，在 Tiny-ImageNet 上提升了 2.3%；在多模态学习中，在 CMU-MOSEI 和 CMU-MOSI 上的情感分析任务中分别取得了 4.1% 和 2.8% 的一致准确率提升，同时在 MISR 上实现了 1.4% 的准确率提升。代码将很快在 GitHub 上发布。
引用
@article{arxiv.2506.03158,
title = {DUAL: Dynamic Uncertainty-Aware Learning},
author = {Jiahao Qin and Bei Peng and Feng Liu and Guangliang Cheng and Lu Zong},
journal= {arXiv preprint arXiv:2506.03158},
year = {2025}
}
备注
12 pages, 3 figures