ヘッジドインスタンス埋め込みによる不確実性のモデリング

インスタンス埋め込みは、認識、検証、取得、クラスタリングなどのアプリケーションを促進する効率的で多用途な画像表現です。多くのメトリック学習手法は、入力を埋め込み空間の単一の点として表現します。通常、点間の距離がマッチ信頼度の代理として使用されます。しかし、入力が曖昧な場合（例：隠されているかぼやけている場合）に生じる不確実性を表現できないことがあります。本研究はこの問題に取り組み、埋め込み空間内の各入力位置の不確実性を明示的にモデル化します。埋め込みを確率変数としてモデル化し、変分情報ボトルネック原則の下でモデルを訓練するヘッジドインスタンス埋め込み（HIB）を導入します。新しいN桁MNISTデータセットに関する実証結果は、曖昧な入力に遭遇した際に埋め込み空間全体で賭けをヘッジするという望ましい挙動につながることを示しています。これにより、画像マッチングと分類タスクのパフォーマンスが向上し、学習した埋め込み空間により構造が生まれ、下流のパフォーマンスと相関するサンプル毎の不確実性測定を計算する能力が得られます。