Fusion tardive robuste avec minimisation de rang

Dans cet article, nous proposons une méthode de minimisation de rang pour fusionner les scores de confiance prédits de plusieurs modèles, chacun étant obtenu sur la base d'un certain type de caractéristiques. Plus précisément, nous convertissons chaque vecteur de score de confiance obtenu d'un modèle en une matrice de relations par paires, dans laquelle chaque entrée caractérise la relation comparative des scores de deux échantillons tests. Notre hypothèse est que les relations de score relatives sont cohérentes entre les modèles composants jusqu'à certaines déviations éparses, malgré les grandes variations qui peuvent exister dans les valeurs absolues des scores bruts. Nous formulons ensuite le problème de fusion des scores comme la recherche d'une matrice de relations par paires de rang 2 partagée, sur laquelle chaque matrice de scores originale de chaque modèle individuel peut être décomposée en une matrice commune de rang 2 et des erreurs de déviation éparse. Un vecteur de score robuste est ensuite extrait pour s'ajuster à la matrice de relations de scores basse rang récupérée. Nous formulons le problème comme une fonction objectif d'optimisation en norme nucléaire et en norme ℓ1 et employons la méthode du multiplicateur de Lagrange augmentée (ALM) pour l'optimisation. Notre méthode est isotone (c'est-à-dire, invariante d'échelle) par rapport aux échelles numériques des scores issus de différents modèles. Nous montrons expérimentalement que la méthode proposée atteint des gains de performance significatifs sur diverses tâches, y compris la catégorisation d'objets et la détection d'événements vidéo.