論文の概要: A Simple Fix to Mahalanobis Distance for Improving Near-OOD Detection
- arxiv url: http://arxiv.org/abs/2106.09022v1
- Date: Wed, 16 Jun 2021 20:43:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 15:46:52.990551
- Title: A Simple Fix to Mahalanobis Distance for Improving Near-OOD Detection
- Title（参考訳）: マハラノビス距離の簡易補正による近日光検出精度の向上
- Authors: Jie Ren, Stanislav Fort, Jeremiah Liu, Abhijit Guha Roy, Shreyas
Padhy, Balaji Lakshminarayanan
- Abstract要約: マハラノビス距離(英: Mahalanobis distance, MD)は、ニューラルネットワークにおけるアウト・オブ・ディストリビューション(OOD)入力を検出するための単純で一般的な後処理法である。
本稿では,その故障モードを分析し,RMD(Restative Mahalanobis distance)と呼ばれる簡単な修正を提案し,性能を向上する。
- 参考スコア（独自算出の注目度）: 17.345456232701657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mahalanobis distance (MD) is a simple and popular post-processing method for
detecting out-of-distribution (OOD) inputs in neural networks. We analyze its
failure modes for near-OOD detection and propose a simple fix called relative
Mahalanobis distance (RMD) which improves performance and is more robust to
hyperparameter choice. On a wide selection of challenging vision, language, and
biology OOD benchmarks (CIFAR-100 vs CIFAR-10, CLINC OOD intent detection,
Genomics OOD), we show that RMD meaningfully improves upon MD performance (by
up to 15% AUROC on genomics OOD).
- Abstract（参考訳）: マハラノビス距離(英: Mahalanobis distance、MD)は、ニューラルネットワークにおける分布外入力(OOD)を検出するための単純で一般的な後処理法である。
本研究では,その故障モードを分析し,相対的マハラノビス距離 (rmd) と呼ばれる,ハイパーパラメータ選択にロバストな簡単な修正を提案する。
視覚・言語・生物学OODベンチマーク(CIFAR-100 vs CIFAR-10, CLINC OOD intent Detection, Genomics OOD)の幅広い選択において, RMDはMD性能において有意な改善(ゲノムOODでは最大15%AUROC)を示す。
関連論文リスト
- The Best of Both Worlds: On the Dilemma of Out-of-distribution Detection [75.65876949930258]
アウト・オブ・ディストリビューション(OOD)検出はモデル信頼性に不可欠である。
我々は,OODの一般化能力を秘かに犠牲にすることで,最先端手法のOOD検出性能が向上することを示す。
論文 参考訳（メタデータ） (2024-10-12T07:02:04Z) - Enhancing Near OOD Detection in Prompt Learning: Maximum Gains, Minimal Costs [7.702532712995683]
我々は,OOD検出AUROCを最小計算コストで最大11.67%改善する高速で簡単なポストホック法を提案する。
本手法は,アーキテクチャの変更やモデルの再学習なしに,任意の素早い学習モデルに容易に適用することができる。
論文 参考訳（メタデータ） (2024-05-25T06:46:16Z) - On the use of Mahalanobis distance for out-of-distribution detection
with neural networks for medical imaging [3.4318312117479897]
本稿では,OODパターンの検出にMahalanobis距離を適用するニューラルネットワークの最適層(層の組み合わせ)が存在するという,コミュニティの理解に挑戦する。
合成人工物を用いてOODパターンをエミュレートし, マハラノビス距離変化をOODパターンのタイプで適用する最適層を示す。
論文 参考訳（メタデータ） (2023-09-04T09:51:33Z) - AUTO: Adaptive Outlier Optimization for Online Test-Time OOD Detection [81.49353397201887]
オープンソースアプリケーションに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。
我々は、未ラベルのオンラインデータをテスト時に直接利用してOOD検出性能を向上させる、テスト時OOD検出と呼ばれる新しいパラダイムを導入する。
本稿では,入出力フィルタ,IDメモリバンク,意味的に一貫性のある目的からなる適応外乱最適化(AUTO)を提案する。
論文 参考訳（メタデータ） (2023-03-22T02:28:54Z) - Out-of-distribution Detection with Implicit Outlier Transformation [72.73711947366377]
外周露光(OE)は、オフ・オブ・ディストリビューション(OOD)検出において強力である。
我々は,未確認のOOD状況に対してモデルの性能を良くする,新しいOEベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-09T04:36:38Z) - Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is
All You Need [52.88953913542445]
簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。
我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
論文 参考訳（メタデータ） (2023-02-06T08:24:41Z) - Adversarial vulnerability of powerful near out-of-distribution detection [8.446798721296906]
我々は,現在最強のOOD検出技術でさえも,深刻な敵意の脆弱性を示す。
入力画素に対する小さな目標摂動により、画像割当を非分布から非分布へ、簡単に変更することができる。
論文 参考訳（メタデータ） (2022-01-18T14:23:07Z) - ATOM: Robustifying Out-of-distribution Detection Using Outlier Mining [51.19164318924997]
インフォメーション・アウトリエ・マイニングによるアドリアトレーニングは、OOD検出の堅牢性を向上させる。
ATOMは,古典的,敵対的なOOD評価タスクの幅広いファミリーの下で,最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-06-26T20:58:05Z) - Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。
ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
論文 参考訳（メタデータ） (2020-03-21T17:46:28Z)
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。