論文の概要: Out-of-Distribution Detection of Melanoma using Normalizing Flows

• arxiv url: http://arxiv.org/abs/2103.12672v1
• Date: Tue, 23 Mar 2021 16:47:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 13:50:07.460826
• Title: Out-of-Distribution Detection of Melanoma using Normalizing Flows
• Title（参考訳）: 正規化流を用いた黒色腫の分布外検出
• Authors: M.M.A. Valiuddin, C.G.A. Viviers
• Abstract要約: 我々は,out-of-distribution (ood) 検出のためのデータ分散モデルの検討に集中する。 最先端のNFモデルであるGLOWを用いて,ISICデータセットにおけるOODサンプルの検出を試みる。 周波数成分の制御、異なるウェーブレットの使用、その他の最先端のNFアーキテクチャの使用など、改善のためのいくつかのアイデアを提案します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generative modelling has been a topic at the forefront of machine learning research for a substantial amount of time. With the recent success in the field of machine learning, especially in deep learning, there has been an increased interest in explainable and interpretable machine learning. The ability to model distributions and provide insight in the density estimation and exact data likelihood is an example of such a feature. Normalizing Flows (NFs), a relatively new research field of generative modelling, has received substantial attention since it is able to do exactly this at a relatively low cost whilst enabling competitive generative results. While the generative abilities of NFs are typically explored, we focus on exploring the data distribution modelling for Out-of-Distribution (OOD) detection. Using one of the state-of-the-art NF models, GLOW, we attempt to detect OOD examples in the ISIC dataset. We notice that this model under performs in conform related research. To improve the OOD detection, we explore the masking methods to inhibit co-adaptation of the coupling layers however find no substantial improvement. Furthermore, we utilize Wavelet Flow which uses wavelets that can filter particular frequency components, thus simplifying the modeling process to data-driven conditional wavelet coefficients instead of complete images. This enables us to efficiently model larger resolution images in the hopes that it would capture more relevant features for OOD. The paper that introduced Wavelet Flow mainly focuses on its ability of sampling high resolution images and did not treat OOD detection. We present the results and propose several ideas for improvement such as controlling frequency components, using different wavelets and using other state-of-the-art NF architectures.
• Abstract（参考訳）: 生成的モデリングは、機械学習研究の最前線でかなりの時間にわたって話題になっている。 機械学習の分野、特にディープラーニングにおける最近の成功により、説明可能で解釈可能な機械学習への関心が高まっている。 分布をモデル化し、密度推定と正確なデータ度に関する洞察を提供する能力は、そのような特徴の例である。 比較的新しい生成モデルの研究分野である正規化フロー(NFs)は、競争力のある生成結果を実現しつつ、比較的低コストでこれを正確に行うことができるため、かなりの注目を集めている。 典型的にはNFの生成能力について検討するが、アウト・オブ・ディストリビューション(OOD)検出のためのデータ分散モデルの検討に注力する。 最先端のNFモデルであるGLOWを用いて,ISICデータセットにおけるOODサンプルの検出を試みる。 このモデルが関連する研究に適合していることに気付く。 OOD検出を改善するために,結合層の共適応を抑制するマスキング法を検討したが,大きな改善は得られなかった。 さらに、特定の周波数成分をフィルタリングできるウェーブレットを用いたウェーブレットフローを用いて、完全な画像の代わりにデータ駆動の条件付きウェーブレット係数へのモデリングプロセスを単純化する。 これにより、OODのより関連性の高い特徴を捉えることを期待して、より大きな解像度画像を効率的にモデル化できる。 Wavelet Flowを導入した論文は、主に高解像度画像のサンプリング機能に焦点を当てており、OOD検出は扱わなかった。 本稿では、周波数成分の制御、異なるウェーブレットの使用、その他の最先端NFアーキテクチャの活用など、いくつかの改善案を提案する。

関連論文リスト

• Exploiting Diffusion Prior for Out-of-Distribution Detection [11.11093497717038]
  堅牢な機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 拡散モデルの生成能力とCLIPの強力な特徴抽出能力を活用する新しいOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-16T23:55:25Z)
• Deep Metric Learning-Based Out-of-Distribution Detection with Synthetic Outlier Exposure [0.0]
  Denoising Diffusion Probabilistic Models (DDPM) を用いたOODデータ生成のためのラベル混合手法を提案する。 実験の結果,メトリック学習に基づく損失関数はソフトマックスよりも優れていた。 提案手法は従来のOOD検出指標において高いベースラインを達成している。
  論文  参考訳（メタデータ） (2024-05-01T16:58:22Z)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。 本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。 本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
  論文  参考訳（メタデータ） (2023-06-06T14:23:34Z)
• 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)
• Watermarking for Out-of-distribution Detection [76.20630986010114]
  Out-of-Distribution (OOD) 検出は、よく訓練された深層モデルから抽出された表現に基づいてOODデータを識別することを目的としている。 本稿では,透かしという一般的な手法を提案する。 我々は,元データの特徴に重畳される統一パターンを学習し,ウォーターマーキング後にモデルの検出能力が大きく向上する。
  論文  参考訳（メタデータ） (2022-10-27T06:12:32Z)
• Flow-based Generative Models for Learning Manifold to Manifold Mappings [39.60406116984869]
  本稿では,フローベース生成モデルに類似した,多様体値データに対する可逆層を3種類導入する。 配向分布関数の分野の脳画像を確実にかつ正確に再構築できる有望な結果を示します。
  論文  参考訳（メタデータ） (2020-12-18T02:19:18Z)
• Why Normalizing Flows Fail to Detect Out-of-Distribution Data [51.552870594221865]
  正規化フローは、イン・オブ・ディストリビューションデータとアウト・オブ・ディストリビューションデータの区別に失敗する。 フローは局所的な画素相関と画像からラテンス空間への変換を学習する。 フロー結合層のアーキテクチャを変更することで、ターゲットデータのセマンティック構造を学ぶためのフローに偏りがあることが示される。
  論文  参考訳（メタデータ） (2020-06-15T17:00:01Z)

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。