論文の概要: Diverse Gaussian Noise Consistency Regularization for Robustness and Uncertainty Calibration

• arxiv url: http://arxiv.org/abs/2104.01231v6
• Date: Mon, 29 May 2023 15:06:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 04:59:33.781981
• Title: Diverse Gaussian Noise Consistency Regularization for Robustness and Uncertainty Calibration
• Title（参考訳）: ロバスト性および不確実性校正のための逆ガウス雑音の規則化
• Authors: Theodoros Tsiligkaridis, Athanasios Tsiligkaridis
• Abstract要約: 深層ニューラルネットワークは、列車と試験分布が一致したときに高い予測精度を達成する。 この設定から逸脱し、深刻なパフォーマンス劣化を引き起こす、さまざまな種類の汚職が発生する。 本稿では,画像分類器の多種多様な汚損下での堅牢性向上のための多種多様なガウス雑音整合正則化法を提案する。
• 参考スコア（独自算出の注目度）: 7.310043452300738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks achieve high prediction accuracy when the train and test distributions coincide. In practice though, various types of corruptions occur which deviate from this setup and cause severe performance degradations. Few methods have been proposed to address generalization in the presence of unforeseen domain shifts. In particular, digital noise corruptions arise commonly in practice during the image acquisition stage and present a significant challenge for current methods. In this paper, we propose a diverse Gaussian noise consistency regularization method for improving robustness of image classifiers under a variety of corruptions while still maintaining high clean accuracy. We derive bounds to motivate and understand the behavior of our Gaussian noise consistency regularization using a local loss landscape analysis. Our approach improves robustness against unforeseen noise corruptions by 4.2-18.4% over adversarial training and other strong diverse data augmentation baselines across several benchmarks. Furthermore, it improves robustness and uncertainty calibration by 3.7% and 5.5%, respectively, against all common corruptions (weather, digital, blur, noise) when combined with state-of-the-art diverse data augmentations.
• Abstract（参考訳）: 深層ニューラルネットワークは、列車とテスト分布が一致すると高い予測精度を達成する。 しかし実際には、さまざまなタイプの腐敗が発生し、この設定から逸脱し、パフォーマンスが著しく低下する。 予期せぬ領域シフトの存在下での一般化に対処する手法はほとんど提案されていない。 特に、デジタルノイズの破損は画像取得段階で一般的に発生し、現在の方法にとって大きな課題となっている。 本稿では,画像分類器の高精細度化を図りつつ,高い清潔さを維持しつつ,様々な汚職下での堅牢性を向上する多種多様なガウス雑音整合正則化手法を提案する。 局所ロスランドスケープ解析を用いたガウス雑音整合性規則化の挙動をモチベーション化し,理解するための境界を導出する。 提案手法は,複数のベンチマークにおいて,敵対的トレーニングやその他の強力な多様なデータ拡張ベースラインに対する4.2～18.4%のノイズ劣化に対する堅牢性を向上する。 さらに、最先端の多様なデータ拡張と組み合わせることで、一般的な汚職(ウェザー、デジタル、ブラー、ノイズ)に対して、堅牢性と不確実性の校正をそれぞれ3.7%と5.5%改善する。

関連論文リスト

• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Heteroscedastic Uncertainty Estimation Framework for Unsupervised Registration [32.081258147692395]
  本稿では,異種画像の不確実性推定のためのフレームワークを提案する。 教師なし登録時の不確実性の高い領域の影響を適応的に低減することができる。 提案手法は, ベースラインを常に上回り, 有意な不確実性推定を導出する。
  論文  参考訳（メタデータ） (2023-12-01T01:03:06Z)
• Exploiting Frequency Spectrum of Adversarial Images for General Robustness [3.480626767752489]
  相成分に重点を置いた逆行訓練は、クリーン、逆行、および一般的な汚職精度のモデル性能を著しく向上させる。 そこで本稿では, 周波数ベースデータ拡張手法であるAdversarial Amplitude Swapを提案し, クリーン画像と逆画像の振幅スペクトルを交換する。 これらの画像は、敵画像の代用として機能し、様々な敵訓練設定で実装することができる。
  論文  参考訳（メタデータ） (2023-05-15T08:36:32Z)
• Confidence-aware Training of Smoothed Classifiers for Certified Robustness [75.95332266383417]
  我々は「ガウス雑音下での精度」を、入力に対する対角的ロバスト性の容易に計算可能なプロキシとして利用する。 実験の結果, 提案手法は, 最先端の訓練手法による信頼性向上を継続的に示すことがわかった。
  論文  参考訳（メタデータ） (2022-12-18T03:57:12Z)
• Soft Diffusion: Score Matching for General Corruptions [84.26037497404195]
  我々は,任意の線形汚職過程のスコア関数を確実に学習するSoft Score Matchingと呼ばれる新しい目的を提案する。 本研究の目的は, 汚職過程の家族に対して, 適正な規則性条件下での確率の勾配を学習することである。 提案手法はCelebA-64上でのFIDスコアを1.85ドルで達成し,従来の線形拡散モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-12T17:45:03Z)
• Guided Diffusion Model for Adversarial Purification [103.4596751105955]
  敵攻撃は、様々なアルゴリズムやフレームワークでディープニューラルネットワーク(DNN)を妨害する。 本稿では,GDMP ( Guided diffusion model for purification) と呼ばれる新しい精製法を提案する。 様々なデータセットにわたる包括的実験において,提案したGDMPは,敵対的攻撃によって引き起こされた摂動を浅い範囲に減少させることを示した。
  論文  参考訳（メタデータ） (2022-05-30T10:11:15Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)
• Deep Gaussian Denoiser Epistemic Uncertainty and Decoupled Dual-Attention Fusion [11.085432358616671]
  我々は,最先端手法の性能限界をガウス雑音化に推進することに注力する。 本研究では, 1つの事前訓練ネットワークのみを用いて, 骨粗さを低減するモデル非依存アプローチを提案する。 その結果,最先端のベースラインや様々なノイズレベルに対して有意に改善した。
  論文  参考訳（メタデータ） (2021-01-12T17:38:32Z)
• Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
  最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。 その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
  論文  参考訳（メタデータ） (2020-06-07T06:57:43Z)

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。