論文の概要: CSI: Novelty Detection via Contrastive Learning on Distributionally Shifted Instances

• arxiv url: http://arxiv.org/abs/2007.08176v2
• Date: Wed, 21 Oct 2020 08:09:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 22:14:28.776141
• Title: CSI: Novelty Detection via Contrastive Learning on Distributionally Shifted Instances
• Title（参考訳）: CSI: 分散シフトインスタンスのコントラスト学習による新規性検出
• Authors: Jihoon Tack, Sangwoo Mo, Jongheon Jeong, Jinwoo Shin
• Abstract要約: コントラストシフトインスタンス (CSI) という,単純かつ効果的な手法を提案する。 従来のコントラスト学習法のように,サンプルを他の例と対比することに加えて,本トレーニング手法では,サンプルを分散シフトによる拡張と対比する。 本実験は, 種々の新規検出シナリオにおける本手法の優位性を実証する。
• 参考スコア（独自算出の注目度）: 77.28192419848901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Novelty detection, i.e., identifying whether a given sample is drawn from outside the training distribution, is essential for reliable machine learning. To this end, there have been many attempts at learning a representation well-suited for novelty detection and designing a score based on such representation. In this paper, we propose a simple, yet effective method named contrasting shifted instances (CSI), inspired by the recent success on contrastive learning of visual representations. Specifically, in addition to contrasting a given sample with other instances as in conventional contrastive learning methods, our training scheme contrasts the sample with distributionally-shifted augmentations of itself. Based on this, we propose a new detection score that is specific to the proposed training scheme. Our experiments demonstrate the superiority of our method under various novelty detection scenarios, including unlabeled one-class, unlabeled multi-class and labeled multi-class settings, with various image benchmark datasets. Code and pre-trained models are available at https://github.com/alinlab/CSI.
• Abstract（参考訳）: 新規性検出、すなわち、トレーニング分布外からサンプルが引き出されるかどうかを識別することは、信頼できる機械学習に不可欠である。 この目的のために,新規性検出に適した表現を学習し,その表現に基づくスコアを設計する試みが数多く行われている。 本稿では,視覚表現のコントラスト学習における最近の成功に触発された,簡易かつ効果的なcon contrasting shift instance (csi) 手法を提案する。 具体的には,従来のコントラスト学習法のように,与えられたサンプルと他のインスタンスのコントラストに加えて,そのサンプルを分布的にシフトした自己の増補と対比する。 そこで本研究では,提案手法に特有の新たな検出スコアを提案する。 提案手法は,ラベルなし1クラス,ラベルなしマルチクラス,ラベル付きマルチクラス設定,画像ベンチマークデータセットなど,様々な新規検出シナリオにおいて優れていることを示す。 コードと事前訓練されたモデルはhttps://github.com/alinlab/CSI.comで入手できる。

関連論文リスト

• Universal Novelty Detection Through Adaptive Contrastive Learning [9.302885112237618]
  ノベルティ検出は、オープンな世界で機械学習モデルをデプロイするための重要なタスクである。 本研究では,既存の手法が,その剛性帰納バイアスから生じる普遍性を維持することを実験的に示す。 本稿では,新しい確率論的自己負対生成法であるAutoAugOODを提案する。
  論文  参考訳（メタデータ） (2024-08-20T12:46:23Z)
• Pre-Trained Vision-Language Models as Partial Annotators [40.89255396643592]
  事前学習された視覚言語モデルは、画像と自然言語の統一表現をモデル化するために大量のデータを学習する。 本稿では,事前学習型モデルアプリケーションのための「事前学習型-弱教師付き学習」パラダイムについて検討し,画像分類タスクの実験を行う。
  論文  参考訳（メタデータ） (2024-05-23T17:17:27Z)
• When Measures are Unreliable: Imperceptible Adversarial Perturbations toward Top-$k$ Multi-Label Learning [83.8758881342346]
  新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。 大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
  論文  参考訳（メタデータ） (2023-07-27T13:18:47Z)
• Squeezing Backbone Feature Distributions to the Max for Efficient Few-Shot Learning [3.1153758106426603]
  ラベル付きサンプルの少ない使用によって生じる不確実性のため、ほとんどショット分類が難しい問題である。 本稿では,特徴ベクトルをガウス分布に近づけるように処理するトランスファーベース手法を提案する。 また,学習中に未学習のサンプルが利用可能となる多段階的数ショット学習では,達成された性能をさらに向上させる最適なトランスポートインスピレーションアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2021-10-18T16:29:17Z)
• Active Learning for Deep Visual Tracking [51.5063680734122]
  畳み込みニューラルネットワーク(CNN)は近年,単一目標追跡タスクに成功している。 本稿では,ディープ・ビジュアル・トラッキングのためのアクティブ・ラーニング手法を提案する。 アクティブラーニングの指導のもと、トレーニングされた深層CNNモデルに基づくトラッカーは、ラベリングコストを低減しつつ、競合的なトラッキング性能を達成することができる。
  論文  参考訳（メタデータ） (2021-10-17T11:47:56Z)
• Weakly Supervised Contrastive Learning [68.47096022526927]
  この問題に対処するために,弱教師付きコントラスト学習フレームワーク(WCL)を導入する。 WCLはResNet50を使用して65%と72%のImageNet Top-1の精度を実現している。
  論文  参考訳（メタデータ） (2021-10-10T12:03:52Z)
• Novelty Detection via Contrastive Learning with Negative Data Augmentation [34.39521195691397]
  新規性検出のための新しい生成ネットワークフレームワークを提案する。 我々のモデルは最先端のノベルティ検出器よりも優れている。 我々のモデルは、他の敵ベースノベルティ検出方法と比較して、非敵方式で訓練するためにより安定している。
  論文  参考訳（メタデータ） (2021-06-18T07:26:15Z)
• Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
  少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。 本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。 提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-25T22:34:16Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)
• Unseen Face Presentation Attack Detection Using Class-Specific Sparse One-Class Multiple Kernel Fusion Regression [15.000818334408802]
  本論文は、目に見えない攻撃シナリオの困難な状況下での顔提示攻撃検出に対処する。 カーネル回帰に基づく一級顔提示攻撃検出手法を開発した。
  論文  参考訳（メタデータ） (2019-12-31T11:53:20Z)

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。