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
- 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) - Rethinking Precision of Pseudo Label: Test-Time Adaptation via
Complementary Learning [10.396596055773012]
本稿では,テスト時間適応性を高めるための新しい補完学習手法を提案する。
テスト時適応タスクでは、ソースドメインからの情報は通常利用できない。
我々は,相補ラベルのリスク関数がバニラ損失式と一致することを強調した。
論文 参考訳(メタデータ) (2023-01-15T03:36:33Z) - Meta Input: How to Leverage Off-the-Shelf Deep Neural Networks [29.975937981538664]
我々は、エンドユーザーがモデルを変更することなく、独自のテスト環境で事前訓練されたDNNモデルを活用できる新しいアプローチを導入する。
テストデータの分布をトレーニングデータと整合させる追加入力であるtextitmeta 入力を提案する。
その結果、エンドユーザは、トレーニング環境と異なるテスト環境で、よく訓練されたモデルを利用することができる。
論文 参考訳(メタデータ) (2022-10-21T02:11:38Z) - DE-CROP: Data-efficient Certified Robustness for Pretrained Classifiers [21.741026088202126]
そこで本研究では,いくつかのトレーニングサンプルを用いて,事前学習したモデルのロバスト性を証明する新しい手法を提案する。
提案手法は,各トレーニングサンプルに対応するクラス境界および補間標本を生成する。
複数のベンチマークデータセットのベースラインに対する大幅な改善と、課題のあるブラックボックス設定の下でも同様のパフォーマンスを報告しています。
論文 参考訳(メタデータ) (2022-10-17T10:41:18Z) - 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) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z)
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。