多模态设定下感知不确定性的提升集成方法
机器学习
2021-04-23 v1 人工智能
摘要
机器学习(ML)系统的可靠性在医疗等安全关键应用中至关重要,而不确定性估计是一种被广泛研究用于凸显ML系统部署置信度的方法。串行与并行集成技术通过联合利用特征集,已在多模态设定下展现出ML系统性能的提升。我们提出一种面向多模态集成的感知不确定性提升(boosting)技术,以聚焦于具有较高关联不确定性估计的数据点,而非具有较高损失值的数据点。我们在涉及真实世界多模态语音与文本数据的痴呆症与帕金森病相关医疗任务上评估该方法,其显示出性能提升。进一步分析表明,将不确定性感知引入提升集成可降低系统总体熵,使其对数据中的异方差更具鲁棒性,并更好地校准各模态及提供高质量预测区间。我们在https://github.com/usarawgi911/Uncertainty-aware-boosting开源了完整代码库。
引用
@article{arxiv.2104.10715,
title = {Uncertainty-Aware Boosted Ensembling in Multi-Modal Settings},
author = {Utkarsh Sarawgi and Rishab Khincha and Wazeer Zulfikar and Satrajit Ghosh and Pattie Maes},
journal= {arXiv preprint arXiv:2104.10715},
year = {2021}
}
备注
Accepted at IJCNN 2021, to appear in IEEE proceedings. Equal contributions from US, RK and WZ