論文の概要: Corner case data description and detection

• arxiv url: http://arxiv.org/abs/2101.02494v2
• Date: Fri, 12 Mar 2021 01:05:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 17:43:19.063034
• Title: Corner case data description and detection
• Title（参考訳）: コーナーケースデータ記述と検出
• Authors: Tinghui Ouyang, Vicent Sant Marco, Yoshinao Isobe, Hideki Asoh, Yutaka Oiwa, Yoshiki Seo
• Abstract要約: コーナーケースと関連する検出は、安全およびセキュリティクリティカルなシステムを構築するためのAI品質保証に不可欠です。 1つは、パラメータ/構造を調整することによって、DLモデルの堅牢性をコーナーケースデータに高めることです。 もう1つは、モデルの再トレーニングと改善のための新しいコーナーケースを生成することです。 本稿では,特定の指標を用いたコーナーケースデータ検出を目的とした,単純で新しい研究を提案する。
• 参考スコア（独自算出の注目度）: 3.4954795813842185
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: As the major factors affecting the safety of deep learning models, corner cases and related detection are crucial in AI quality assurance for constructing safety- and security-critical systems. The generic corner case researches involve two interesting topics. One is to enhance DL models robustness to corner case data via the adjustment on parameters/structure. The other is to generate new corner cases for model retraining and improvement. However, the complex architecture and the huge amount of parameters make the robust adjustment of DL models not easy, meanwhile it is not possible to generate all real-world corner cases for DL training. Therefore, this paper proposes to a simple and novel study aiming at corner case data detection via a specific metric. This metric is developed on surprise adequacy (SA) which has advantages on capture data behaviors. Furthermore, targeting at characteristics of corner case data, three modifications on distanced-based SA are developed for classification applications in this paper. Consequently, through the experiment analysis on MNIST data and industrial data, the feasibility and usefulness of the proposed method on corner case data detection are verified.
• Abstract（参考訳）: ディープラーニングモデルの安全性に影響を与える主要な要因として、コーナーケースと関連する検出は、安全およびセキュリティクリティカルなシステムを構築するためのAI品質保証に不可欠である。 一般的なコーナーケースの研究には2つの興味深いトピックがある。 1つは、DLモデルの堅牢性を高め、パラメータや構造を調整してケースデータを詰め込むことである。 もう1つは、モデルの再トレーニングと改善のための新しいコーナーケースを生成することです。 しかし、複雑なアーキテクチャと膨大なパラメータにより、DLモデルの堅牢な調整は容易ではなく、一方、DLトレーニングのための実世界のすべてのコーナーケースを生成することはできない。 そこで本稿では,特定指標によるコーナーケースデータ検出を目的とした簡易かつ新しい研究を提案する。 このメトリクスは、データの振る舞いをキャプチャする利点を持つサプライズアデクシー(SA)に基づいて開発されている。 さらに, コーナーケースデータの特徴をターゲットとして, 距離ベースSAを3つの改良を加えて分類を行った。 その結果、MNISTデータと産業データに関する実験分析により、コーナーケースデータ検出における提案手法の有効性と有用性を確認した。

関連論文リスト

• Data Quality Issues in Vulnerability Detection Datasets [1.6114012813668932]
  脆弱性検出は、サイバーセキュリティのためのソフトウェアの潜在的な弱点を特定する上で、極めて難しいタスクである。 深層学習(DL)は検出プロセスの自動化に大きな進歩を遂げた。 この目的のためにDLモデルをトレーニングするために、多くのデータセットが作成されています。 しかし、これらのデータセットは、DLモデルの検出精度の低下につながるいくつかの問題に悩まされる。
  論文  参考訳（メタデータ） (2024-10-08T13:31:29Z)
• Criteria for Uncertainty-based Corner Cases Detection in Instance Segmentation [2.9419365092937086]
  予測の不確実性に基づくコーナーケースの基準を示す。 我々はCOCOとNuImagesデータセットを用いて各コーナーケース基準を評価する。 また、各対象を正正値(TP)、正値(False Positive)、正値(False Positive)、正値(False Positive)に区別できるコーナーケース決定関数も提供する。
  論文  参考訳（メタデータ） (2024-04-17T11:17:12Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• CC-SGG: Corner Case Scenario Generation using Learned Scene Graphs [6.131026007721575]
  コーナーケースシナリオは、自動運転車(AV)の安全性のテストと検証に不可欠なツールである 我々は、通常の運転シナリオをコーナーケースに変換するために、異種グラフニューラルネットワーク(HGNN)に基づく新しいアプローチを導入する。 我々のモデルは入力シーングラフからコーナーケースの生成を成功させ、テストデータセットで89.9%の精度で予測した。
  論文  参考訳（メタデータ） (2023-09-18T14:59:11Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Online Safety Property Collection and Refinement for Safe Deep Reinforcement Learning in Mapless Navigation [79.89605349842569]
  オンラインプロパティのコレクション・リファインメント(CROP)フレームワークをトレーニング時にプロパティを設計するために導入する。 CROPは、安全でない相互作用を識別し、安全特性を形成するためにコストシグナルを使用する。 本手法をいくつかのロボットマップレスナビゲーションタスクで評価し,CROPで計算した違反量によって,従来のSafe DRL手法よりも高いリターンと低いリターンが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-13T21:19:36Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• An Application-Driven Conceptualization of Corner Cases for Perception in Highly Automated Driving [21.67019631065338]
  高度に自動化された運転において、コーナーケースのアプリケーション駆動ビューを提供する。 RADARとLiDARを追加することで、コーナーケースの既存のカメラフォーカスのシステム化を拡張します。 データ取得と処理のための模範的なツールチェーンについて説明する。
  論文  参考訳（メタデータ） (2021-03-05T13:56:37Z)

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。