論文の概要: Reject Illegal Inputs with Generative Classifier Derived from Any Discriminative Classifier

• arxiv url: http://arxiv.org/abs/2001.00483v1
• Date: Thu, 2 Jan 2020 15:11:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 03:55:33.505486
• Title: Reject Illegal Inputs with Generative Classifier Derived from Any Discriminative Classifier
• Title（参考訳）: 識別分類器から派生した生成的分類器を持つ不正入力を拒絶する
• Authors: Xin Wang
• Abstract要約: Supervised Deep Infomax(M)は、生成型分類器を学習するスケーラブルなエンドツーエンドフレームワークである。 SDIM-emphlogit(SDIM-emphlogit)と呼ばれるSDIMの修正を提案する。
• 参考スコア（独自算出の注目度）: 7.33811357166334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative classifiers have been shown promising to detect illegal inputs including adversarial examples and out-of-distribution samples. Supervised Deep Infomax~(SDIM) is a scalable end-to-end framework to learn generative classifiers. In this paper, we propose a modification of SDIM termed SDIM-\emph{logit}. Instead of training generative classifier from scratch, SDIM-\emph{logit} first takes as input the logits produced any given discriminative classifier, and generate logit representations; then a generative classifier is derived by imposing statistical constraints on logit representations. SDIM-\emph{logit} could inherit the performance of the discriminative classifier without loss. SDIM-\emph{logit} incurs a negligible number of additional parameters, and can be efficiently trained with base classifiers fixed. We perform \emph{classification with rejection}, where test samples whose class conditionals are smaller than pre-chosen thresholds will be rejected without predictions. Experiments on illegal inputs, including adversarial examples, samples with common corruptions, and out-of-distribution~(OOD) samples show that allowed to reject a portion of test samples, SDIM-\emph{logit} significantly improves the performance on the left test sets.
• Abstract（参考訳）: 生成的分類器は、逆例や分散サンプルを含む不正な入力を検出することを約束されている。 Supervised Deep Infomax~(SDIM)は、生成型分類器を学習するためのスケーラブルなエンドツーエンドフレームワークである。 本稿ではSDIM-\emph{logit}と呼ばれるSDIMの修正を提案する。 sdim-\emph{logit} は、スクラッチから生成する生成型分類器を訓練する代わりに、任意の識別型分類器から生成されたロジットを入力とし、ロジット表現を生成する。 SDIM-\emph{logit} は損失のない識別分類器の性能を継承できる。 SDIM-\emph{logit} は無視できる数の追加パラメータを発生させ、ベース分類器を固定して効率的に訓練することができる。 我々は,プレチョンセン閾値よりも小さいクラス条件を持つテストサンプルを予測なしで拒否する \emph{classification with refused} を実行する。 敵対的な例、共通の汚職のあるサンプル、配布外サンプルなど、違法な入力の実験では、テストサンプルの一部を拒絶することができることが示され、SDIM-\emph{logit} は左テストセットのパフォーマンスを著しく改善する。

関連論文リスト

• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Using Reed-Muller Codes for Classification with Rejection and Recovery [0.0]
  Reed-Muller Aggregation Networks (RMAggNet) 本稿では、RMAggNetが、異なる摂動予算における複数の敵攻撃に対して、適切な正当性を保ちながら、誤りを最小化できることを示す。 少ない数の誤分類が許容される状況において、追加処理の量を削減できる代替分類法を提供する。
  論文  参考訳（メタデータ） (2023-09-12T16:20:20Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Is the Performance of My Deep Network Too Good to Be True? A Direct Approach to Estimating the Bayes Error in Binary Classification [86.32752788233913]
  分類問題において、ベイズ誤差は、最先端の性能を持つ分類器を評価するための基準として用いられる。 我々はベイズ誤差推定器を提案する。そこでは,クラスの不確かさを示すラベルの平均値のみを評価できる。 我々の柔軟なアプローチは、弱い教師付きデータであってもベイズ誤差を推定できる。
  論文  参考訳（メタデータ） (2022-02-01T13:22:26Z)
• When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
  分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。 多様な分類課題にまたがってその効果を実証的に示す。
  論文  参考訳（メタデータ） (2021-09-28T02:55:42Z)
• Does Adversarial Oversampling Help us? [10.210871872870737]
  本稿では,データセットのクラス不均衡を処理するために,3人のプレイヤーによるゲームベースのエンドツーエンド手法を提案する。 本稿では,敵対的マイノリティ・オーバーサンプリングではなく,敵対的オーバーサンプリング (AO) とデータ空間・オーバーサンプリング (DO) のアプローチを提案する。 提案手法の有効性を高次元・高不均衡・大規模マルチクラスデータセットを用いて検証した。
  論文  参考訳（メタデータ） (2021-08-20T05:43:17Z)
• ATRO: Adversarial Training with a Rejection Option [10.36668157679368]
  本稿では, 逆例による性能劣化を軽減するために, 拒否オプション付き分類フレームワークを提案する。 分類器と拒否関数を同時に適用することにより、テストデータポイントの分類に自信が不十分な場合に分類を控えることができる。
  論文  参考訳（メタデータ） (2020-10-24T14:05:03Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)
• GIM: Gaussian Isolation Machines [40.7916016364212]
  多くの場合、ニューラルネットワーク分類器は、トレーニング配布データの外にある入力データに露出する。 OODデータに遭遇した場合に発生する問題の解決を目的とした,新しいハイブリッド分類器を提案する。 提案されたGIMの新規性は、識別性能と生成能力にある。
  論文  参考訳（メタデータ） (2020-02-06T09:51:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。