基于正态-逆伽马分布混合的可信多模态回归
机器学习
2021-11-17 v1 人工智能
摘要
多模态回归是一项基础任务，其整合来自不同来源的信息以提升后续应用的性能。然而，现有方法主要关注性能提升，往往忽略针对不同情形的预测置信度。本研究致力于可信多模态回归，这在成本敏感领域至关重要。为此，我们引入一种新颖的正态-逆伽马分布混合（MoNIG）算法，该算法从原理上高效估计不确定性，以实现不同模态的自适应融合，并产出可信的回归结果。我们的模型能够动态感知各模态的不确定性，且对受损模态具有鲁棒性。此外，所提 MoNIG 分别显式表征（模态特定/全局）认知不确定性与偶然不确定性。在合成及多个真实世界数据上的实验结果表明，我们的方法在各类多模态回归任务（如超导温度预测、CT 切片相对位置预测及多模态情感分析）上均具备有效性与可信性。
引用
@article{arxiv.2111.08456,
title = {Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions},
author = {Huan Ma and Zongbo Han and Changqing Zhang and Huazhu Fu and Joey Tianyi Zhou and Qinghua Hu},
journal= {arXiv preprint arXiv:2111.08456},
year = {2021}
}
备注
Accepted to NeurIPS 2021