論文の概要: Continual Novelty Detection

• arxiv url: http://arxiv.org/abs/2106.12964v1
• Date: Thu, 24 Jun 2021 12:30:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 15:07:26.768370
• Title: Continual Novelty Detection
• Title（参考訳）: 連続ノベルティ検出
• Authors: Rahaf Aljundi, Daniel Olmeda Reino, Nikolay Chumerin, Richard E. Turner
• Abstract要約: 連続学習は新規性検出アルゴリズムの動作に影響を及ぼし、新規性検出は連続学習者の動作に関する洞察を特定できることを示す。 この2つの問題の結合は、ビジョンモデルを実践するための有望な方向であると考えています。
• 参考スコア（独自算出の注目度）: 37.43667292607965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Novelty Detection methods identify samples that are not representative of a model's training set thereby flagging misleading predictions and bringing a greater flexibility and transparency at deployment time. However, research in this area has only considered Novelty Detection in the offline setting. Recently, there has been a growing realization in the computer vision community that applications demand a more flexible framework - Continual Learning - where new batches of data representing new domains, new classes or new tasks become available at different points in time. In this setting, Novelty Detection becomes more important, interesting and challenging. This work identifies the crucial link between the two problems and investigates the Novelty Detection problem under the Continual Learning setting. We formulate the Continual Novelty Detection problem and present a benchmark, where we compare several Novelty Detection methods under different Continual Learning settings. We show that Continual Learning affects the behaviour of novelty detection algorithms, while novelty detection can pinpoint insights in the behaviour of a continual learner. We further propose baselines and discuss possible research directions. We believe that the coupling of the two problems is a promising direction to bring vision models into practice.
• Abstract（参考訳）: ノベルティ検出方法は、モデルのトレーニングセットに代表されないサンプルを特定し、誤解を招く予測をフラグ付け、デプロイ時により柔軟性と透明性をもたらす。 しかし、この領域の研究はオフライン環境での新規性検出のみを検討してきた。 近年、コンピュータビジョンコミュニティでは、新しいドメイン、新しいクラス、新しいタスクを表すデータの新しいバッチが、異なる時点で利用可能になるような、より柔軟なフレームワークである継続的学習(continual learning)が、アプリケーションが求められている。 この設定では、ノベルティ検出はより重要で、興味深く、困難になる。 本研究は,この2つの問題間の重要な関係を特定し,連続学習環境下での新規性検出問題を検討する。 本稿では,連続ノベルティ検出問題を定式化し,連続学習環境下でのいくつかのノベルティ検出手法を比較した。 連続学習は新規性検出アルゴリズムの動作に影響を及ぼし、新規性検出は連続学習者の動作に関する洞察を特定できることを示す。 さらに,ベースラインを提案し,研究の方向性について議論する。 この2つの問題の結合は、ビジョンモデルを実践するための有望な方向であると考えています。

関連論文リスト

• Unsupervised Novelty Detection Methods Benchmarking with Wavelet Decomposition [0.22369578015657962]
  新規性検出のための教師なし機械学習アルゴリズムを比較する。 新しいデータセットは、特定の周波数で振動するアクチュエータから収集され、アルゴリズムをベンチマークし、フレームワークを評価する。 本研究は,実世界の新規性検出アプリケーションにおける教師なし学習技術の適応性と堅牢性に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2024-09-11T09:31:28Z)
• Assaying on the Robustness of Zero-Shot Machine-Generated Text Detectors [57.7003399760813]
  先進的なLarge Language Models (LLMs) とその特殊な変種を探索し、いくつかの方法でこの分野に寄与する。 トピックと検出性能の間に有意な相関関係が発見された。 これらの調査は、様々なトピックにまたがるこれらの検出手法の適応性と堅牢性に光を当てた。
  論文  参考訳（メタデータ） (2023-12-20T10:53:53Z)
• A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
  蓄積とは、以前に獲得した知識の喪失または劣化を指す。 フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
  論文  参考訳（メタデータ） (2023-07-16T16:27:58Z)
• Continual Learning for Pose-Agnostic Object Recognition in 3D Point Clouds [5.521693536291449]
  この研究は、オブジェクトのポーズが動的かつ予測不能に変化する、ポーズに依存しない連続的な学習タスクに焦点を当てる。 本稿では,従来のタスクの幾何等値情報を効果的に蒸留する連続学習モデルを提案する。 実験により,本手法はいくつかの主流クラウドデータセットにおいて,ポーズに依存しないシナリオの課題を克服することを示した。
  論文  参考訳（メタデータ） (2022-09-11T11:31:39Z)
• Continual Object Detection: A review of definitions, strategies, and challenges [0.0]
  連続学習の分野は、以前に学習したタスクのパフォーマンスを損なうことなく連続的なタスクを学習する能力を調べる。 我々は、ロボット工学や自動運転車における幅広い応用のために、連続物体検出の研究がさらに注目に値すると考えている。
  論文  参考訳（メタデータ） (2022-05-30T21:57:48Z)
• On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
  ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。 提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
  論文  参考訳（メタデータ） (2022-03-08T09:57:48Z)
• What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
  本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。 本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
  論文  参考訳（メタデータ） (2022-02-12T06:10:15Z)
• Towards Generalized and Incremental Few-Shot Object Detection [9.033533653482529]
  新規なインクリメンタルFew-Shot Object Detection (iFSOD) 法を提案する。 具体的には、ベースクラスと新規クラスの特徴表現を分離するために、DBF(Double-Branch Framework)を提案する。 我々はPascal VOCとMS-COCOの両方で実験を行い、この手法がインクリメンタル・ショット検出の問題を効果的に解決できることを実証した。
  論文  参考訳（メタデータ） (2021-09-23T12:38:09Z)
• ARCADe: A Rapid Continual Anomaly Detector [25.34227775187408]
  連続異常検出(CAD)の新しい学習問題に対処する。 ニューラルネットをトレーニングするアプローチであるARCADeを提案する。 3つのデータセットを用いた実験の結果、ARCADeは連続学習と異常検出の文献からベースラインを大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-08-10T11:59:32Z)
• Deep Learning for Anomaly Detection: A Review [150.9270911031327]
  本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。 我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
  論文  参考訳（メタデータ） (2020-07-06T02:21:16Z)

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。