論文の概要: Unsupervised Energy-based Out-of-distribution Detection using Stiefel-Restricted Kernel Machine

• arxiv url: http://arxiv.org/abs/2102.08443v1
• Date: Tue, 16 Feb 2021 20:46:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 14:36:27.841582
• Title: Unsupervised Energy-based Out-of-distribution Detection using Stiefel-Restricted Kernel Machine
• Title（参考訳）: Stiefel-Restricted Kernel Machineを用いた非監視エネルギーベース分布検出
• Authors: Francesco Tonin, Arun Pandey, Panagiotis Patrinos, Johan A. K. Suykens
• Abstract要約: Stiefel-Restricted Kernel Machine(St-RKM)を活用した非監視型エネルギーベースOOD検出器の提案 標準データセットの実験では、提案手法は既存のエネルギーベースのOOD検出器とディープジェネレーションモデルよりも改善される。
• 参考スコア（独自算出の注目度）: 13.345005810199181
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting out-of-distribution (OOD) samples is an essential requirement for the deployment of machine learning systems in the real world. Until now, research on energy-based OOD detectors has focused on the softmax confidence score from a pre-trained neural network classifier with access to class labels. In contrast, we propose an unsupervised energy-based OOD detector leveraging the Stiefel-Restricted Kernel Machine (St-RKM). Training requires minimizing an objective function with an autoencoder loss term and the RKM energy where the interconnection matrix lies on the Stiefel manifold. Further, we outline multiple energy function definitions based on the RKM framework and discuss their utility. In the experiments on standard datasets, the proposed method improves over the existing energy-based OOD detectors and deep generative models. Through several ablation studies, we further illustrate the merit of each proposed energy function on the OOD detection performance.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)サンプルの検出は、現実世界での機械学習システムの展開に不可欠な要件です。 これまで、エネルギーベースのOOD検出器の研究は、クラスラベルにアクセス可能なトレーニング済みニューラルネットワーク分類器からのソフトマックス信頼性スコアに焦点を当ててきた。 対照的に、Stiefel-Restricted Kernel Machine (St-RKM) を利用した教師なしエネルギーベースOOD検出器を提案する。 トレーニングでは、オートエンコーダ損失項とStiefel多様体上の相互結合行列が存在するRKMエネルギーで客観的関数を最小化する必要がある。 さらに、RKMフレームワークに基づく複数のエネルギー関数定義を概説し、その有用性について議論する。 標準データセットの実験では、提案手法は既存のエネルギーベースのOOD検出器とディープジェネレーションモデルよりも改善される。 いくつかのアブレーション研究を通じて,提案した各エネルギー関数がOOD検出性能に与える影響をさらに明らかにした。

関連論文リスト

• Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark [73.58840254552656]
  近年,非教師付きグラフレベルの異常検出(GLAD)と教師なしグラフレベルのアウト・オブ・ディストリビューション(OOD)検出が注目されている。 教師なしグラフレベルのOODと異常検出のための統一ベンチマーク(我々の方法)を提案する。 我々のベンチマークでは、4つの実用的な異常とOOD検出シナリオにまたがる35のデータセットを網羅している。 我々は,既存手法の有効性,一般化性,堅牢性,効率性について多次元解析を行った。
  論文  参考訳（メタデータ） (2024-06-21T04:07:43Z)
• Multi-Label Out-of-Distribution Detection with Spectral Normalized Joint Energy [14.149428145967939]
  本稿では,複数のラベルにまたがるラベル固有情報の統合手法であるスペクトル正規化結合エネルギー(SNoJoE)を紹介する。 以上の結果から, スペクトル正規化を結合エネルギースコアに適用することにより, OOD検出能力が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-05-08T02:05:38Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart Grid [56.838297900091426]
  高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。 提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
  論文  参考訳（メタデータ） (2023-08-14T17:14:58Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Beyond Mahalanobis-Based Scores for Textual OOD Detection [32.721317681946246]
  動作要件を満たすTransformerアーキテクチャに基づく分類器のための新しいOOD検出器TRUSTEDを紹介する。 TRUSTEDの効率性は、すべての隠された層がOODのサンプルを検出するための関連情報を持っているという実りある考えに依存している。 実験では、さまざまなチェックポイント、シード、データセットを含む51kのモデル構成を取り上げ、TRUSTEDが最先端のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2022-11-24T10:51:58Z)
• Energy-based Unknown Intent Detection with Data Manipulation [48.76465739088016]
  未知の意図検出は、トレーニングセットに意図が現れていない配布外発話を特定することを目的としている。 本稿では,エネルギースコアが入力の密度と理論的に一致していることから,このタスクにエネルギースコアを用いることを提案する。
  論文  参考訳（メタデータ） (2021-07-27T01:32:23Z)
• Deep Autoencoder based Energy Method for the Bending, Vibration, and Buckling Analysis of Kirchhoff Plates [1.7205106391379024]
  キルヒホフプレートの曲げ・振動・座屈解析のためのディープオートエンコーダベースエネルギー法(DAEM)を提案する。 DAEMはDAEMの高次連続性を利用し、ディープオートエンコーダと最小全電位原理を統合する。
  論文  参考訳（メタデータ） (2020-10-09T09:26:33Z)
• Energy-based Out-of-distribution Detection [24.320646820385065]
  エネルギースコアを用いたOOD検出のための統合フレームワークを提案する。 エネルギースコアは従来の手法よりも分布内と分布外を区別した方がよいことを示す。 エネルギーベースのトレーニングでは、我々の手法は一般的なベンチマークで最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-10-08T04:42:17Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。