論文の概要: Manifold-based Test Generation for Image Classifiers
- arxiv url: http://arxiv.org/abs/2002.06337v1
- Date: Sat, 15 Feb 2020 07:53:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-31 23:00:44.803609
- Title: Manifold-based Test Generation for Image Classifiers
- Title(参考訳): 画像分類器のマニフォールドによるテスト生成
- Authors: Taejoon Byun, Abhishek Vijayakumar, Sanjai Rayadurgam, Darren Cofer
- Abstract要約: 画像分類ニューラルネットワークをテストするには、信頼を刺激するのに十分な現実的なテストデータを取得する必要がある。
本稿では,これらの課題に対処するための新しい枠組みを提案する。
実験により、この手法により、十分に訓練されたモデルであっても、何千もの現実的かつフォールトレベリングなテストケースを効率的に生成できることが示された。
- 参考スコア(独自算出の注目度): 7.226144684379191
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural networks used for image classification tasks in critical applications
must be tested with sufficient realistic data to assure their correctness. To
effectively test an image classification neural network, one must obtain
realistic test data adequate enough to inspire confidence that differences
between the implicit requirements and the learned model would be exposed. This
raises two challenges: first, an adequate subset of the data points must be
carefully chosen to inspire confidence, and second, the implicit requirements
must be meaningfully extrapolated to data points beyond those in the explicit
training set. This paper proposes a novel framework to address these
challenges. Our approach is based on the premise that patterns in a large input
data space can be effectively captured in a smaller manifold space, from which
similar yet novel test cases---both the input and the label---can be sampled
and generated. A variant of Conditional Variational Autoencoder (CVAE) is used
for capturing this manifold with a generative function, and a search technique
is applied on this manifold space to efficiently find fault-revealing inputs.
Experiments show that this approach enables generation of thousands of
realistic yet fault-revealing test cases efficiently even for well-trained
models.
- Abstract(参考訳): 重要なアプリケーションで画像分類タスクに使用されるニューラルネットワークは、その正確性を保証するために十分な現実的なデータでテストされなければならない。
画像分類ニューラルネットワークを効果的にテストするには、暗黙の要求と学習モデルの違いが露呈するという自信を与えるのに十分な現実的なテストデータを取得する必要がある。
まず、データポイントの適切なサブセットを慎重に選択して信頼性を刺激し、次に、暗黙の要求を明示的なトレーニングセットを超えたデータポイントに有意義に外挿する必要があります。
本稿では,これらの課題に対処するための新しい枠組みを提案する。
提案手法は,大規模な入力データ空間のパターンをより小さな多様体空間で効果的にキャプチャできるという前提に基づいており,そこから入力とラベルの両方をサンプリングして生成することができる。
条件変分オートエンコーダ(CVAE)の変種を用いて、この多様体を生成関数で捕捉し、この多様体空間に探索手法を適用し、断層検出入力を効率的に見つける。
実験により、このアプローチにより、十分に訓練されたモデルでも、数千の現実的なフォールトトレバーテストケースを効率的に生成できることが示されている。
関連論文リスト
- Rejection Sampling IMLE: Designing Priors for Better Few-Shot Image
Synthesis [7.234618871984921]
新たな研究分野は、限られたトレーニングデータで深層生成モデルを学ぶことを目的としている。
トレーニングに使用する事前分布を変更する新しいアプローチであるRS-IMLEを提案する。
これにより、既存のGANやIMLEベースの手法に比べて画質が大幅に向上する。
論文 参考訳(メタデータ) (2024-09-26T00:19:42Z) - Adversarial Robustification via Text-to-Image Diffusion Models [56.37291240867549]
アドリラルロバスト性は、ニューラルネットワークをエンコードする難しい性質として伝統的に信じられてきた。
データを使わずに敵の堅牢性を実現するために,スケーラブルでモデルに依存しないソリューションを開発した。
論文 参考訳(メタデータ) (2024-07-26T10:49:14Z) - Importance of Disjoint Sampling in Conventional and Transformer Models for Hyperspectral Image Classification [2.1223532600703385]
本稿では、ハイパースペクトル画像分類(HSIC)タスク上でSOTAモデルをトレーニングするための革新的な不整合サンプリング手法を提案する。
重なりのないトレーニング,検証,テストデータを分離することにより,提案手法は,トレーニングや検証中に露出していないピクセルをどの程度正確に分類できるかを,より公平に評価することができる。
この厳密な手法は、SOTAモデルの発展と、ハイパースペクトルセンサーを用いた大規模陸地マッピングへの実際の応用に欠かせない。
論文 参考訳(メタデータ) (2024-04-23T11:40:52Z) - Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。
FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。
限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
論文 参考訳(メタデータ) (2024-03-27T02:24:00Z) - Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。
既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。
本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-07-31T10:22:33Z) - CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。
本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文 参考訳(メタデータ) (2022-06-01T03:02:07Z) - Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。
信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。
また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
論文 参考訳(メタデータ) (2022-04-06T06:39:40Z) - Parameter-free Online Test-time Adaptation [19.279048049267388]
実世界の様々なシナリオにおいて,テスト時間適応手法が事前学習されたモデルにどのような効果をもたらすかを示す。
我々は特に「保守的」なアプローチを提案し、ラプラシアン適応最大推定(LAME)を用いてこの問題に対処する。
提案手法では,既存の手法よりもシナリオの平均精度がはるかに高く,メモリフットプリントもはるかに高速である。
論文 参考訳(メタデータ) (2022-01-15T00:29:16Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。
最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。
モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
論文 参考訳(メタデータ) (2021-10-18T17:55:11Z)
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。