論文の概要: Can multi-label classification networks know what they don't know?
- arxiv url: http://arxiv.org/abs/2109.14162v1
- Date: Wed, 29 Sep 2021 03:03:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 14:46:45.177984
- Title: Can multi-label classification networks know what they don't know?
- Title(参考訳): マルチラベル分類ネットワークは、彼らが知らないことを知ることができるか?
- Authors: Haoran Wang, Weitang Liu, Alex Bocchieri, Yixuan Li
- Abstract要約: アウト・オブ・ディストリビューション(OOD)の不確実性(out-of-distriion)を推定することは、機械学習モデルをオープンな環境に安全にデプロイする上で、重要な課題である。
複数ラベルからのエネルギースコアを集約することにより,OODインジケータのスコアを簡易かつ効果的に推定するJointEnergyを提案する。
提案手法はMS-COCO, PASCAL-VOC, NUS-WIDEを含む3つの共通マルチラベル分類ベンチマークにおいて有効であることを示す。
- 参考スコア(独自算出の注目度): 20.827128594812578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating out-of-distribution (OOD) uncertainty is a central challenge for
safely deploying machine learning models in the open-world environment.
Improved methods for OOD detection in multi-class classification have emerged,
while OOD detection methods for multi-label classification remain underexplored
and use rudimentary techniques. We propose JointEnergy, a simple and effective
method, which estimates the OOD indicator scores by aggregating energy scores
from multiple labels. We show that JointEnergy can be mathematically
interpreted from a joint likelihood perspective. Our results show consistent
improvement over previous methods that are based on the maximum-valued scores,
which fail to capture joint information from multiple labels. We demonstrate
the effectiveness of our method on three common multi-label classification
benchmarks, including MS-COCO, PASCAL-VOC, and NUS-WIDE. We show that
JointEnergy can reduce the FPR95 by up to 10.05% compared to the previous best
baseline, establishing state-of-the-art performance.
- Abstract(参考訳): アウトオブディストリビューション(ood)の不確実性の推定は、オープンワールド環境で機械学習モデルを安全にデプロイするための中心的な課題である。
マルチクラス分類におけるOOD検出の方法が改良されている一方で,OOD検出手法は未探索のままであり,初歩的手法を用いている。
複数ラベルからのエネルギースコアを集約することにより,OODインジケータのスコアを簡易かつ効果的に推定するJointEnergyを提案する。
共同エネルギーは, 確率的視点から数学的に解釈できることを示す。
以上の結果から,複数ラベルのジョイント情報の取得に失敗する最大スコアに基づく従来手法よりも一貫した改善が得られた。
提案手法はMS-COCO, PASCAL-VOC, NUS-WIDEを含む3つの共通マルチラベル分類ベンチマークにおいて有効であることを示す。
その結果,fpr95は従来のベストベースラインと比較して最大10.05%削減でき,最新性能が得られた。
関連論文リスト
- Towards Out-of-Distribution Detection for breast cancer classification
in Point-of-Care Ultrasound Imaging [1.4513830934124627]
本研究では, ソフトマックス, エネルギースコア, ディープアンサンブルの3種類の方法を用いてOOD検出を行う。
その結果,エネルギスコア法はソフトマックス法よりも優れており,2つのデータセットで良好に動作することがわかった。
アンサンブル法は最も堅牢で、3つのデータセットすべてに対してOODサンプルを検出するのに最適である。
論文 参考訳(メタデータ) (2024-02-29T08:59:51Z) - Out-of-Distribution Detection & Applications With Ablated Learned
Temperature Energy [40.02298833349518]
Ablated Learned Temperature Energy(略してAbeT)を紹介する。
アベトは偽陽性率を95%ドル、真陽性率(FPR@95)を35.39%で下げた。
さらに、我々のモデルがIn-Distribution (ID) と Out-of-Distribution (OOD) を区別する方法に関する経験的洞察も提供する。
論文 参考訳(メタデータ) (2024-01-22T17:11:01Z) - Continual Evidential Deep Learning for Out-of-Distribution Detection [20.846788009755183]
不確実性に基づくディープラーニングモデルは、正確で信頼性の高い予測を提供する能力に対して、大きな関心を集めている。
Evidential Deep Learningは、単一決定論的ニューラルネットワークによるアウト・オブ・ディストリビューション(OOD)データの検出において、優れたパフォーマンスを実現している。
本稿では,オブジェクト分類とOOD検出を同時に行うために,明らかなディープラーニング手法を連続的な学習フレームワークに統合することを提案する。
論文 参考訳(メタデータ) (2023-09-06T13:36:59Z) - Beyond AUROC & co. for evaluating out-of-distribution detection
performance [50.88341818412508]
安全(r)AIとの関連性を考えると,OOD検出法の比較の基礎が実用的ニーズと整合しているかどうかを検討することが重要である。
我々は,IDとOODの分離が不十分なことを明示する新しい指標であるAUTC(Area Under the Threshold Curve)を提案する。
論文 参考訳(メタデータ) (2023-06-26T12:51:32Z) - Diversifying Deep Ensembles: A Saliency Map Approach for Enhanced OOD
Detection, Calibration, and Accuracy [6.144680854063938]
Saliency Diversified Deep Ensemble (SDDE)は、Saliency Mapを活用することで、アンサンブルメンバー間の多様性を促進する新しいアプローチである。
特に,提案手法は,CIFAR10/100や大規模画像Netデータセットを含む複数のベンチマークにおいて,最先端のOOD検出品質,キャリブレーション,精度を実現する。
論文 参考訳(メタデータ) (2023-05-19T11:47:51Z) - Better Understanding Differences in Attribution Methods via Systematic
Evaluations [77.1487219861185]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。
本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。
これらの評価手法を用いて、広範囲のモデルにおいて広く用いられている属性手法の長所と短所について検討する。
論文 参考訳(メタデータ) (2023-03-21T14:24:58Z) - Knowledge Distillation from Single to Multi Labels: an Empirical Study [14.12487391004319]
クラス活性化マップ(CAM)に基づく新しい蒸留法を提案する。
以上の結果から,ロジット法はマルチラベル分類に適していないことが示唆された。
そこで本研究では,適切な暗黒知識にクラス情報を導入し,最終分類結果と高い相関性を持たせることを提案する。
論文 参考訳(メタデータ) (2023-03-15T04:39:01Z) - Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric
Perspective [55.45202687256175]
アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。
本稿では,OOD検出における教師なし評価問題を初めて紹介する。
我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
論文 参考訳(メタデータ) (2023-02-16T13:34:35Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Towards Better Understanding Attribution Methods [77.1487219861185]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。
本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。
また,いくつかの属性法の性能を著しく向上する処理後平滑化ステップを提案する。
論文 参考訳(メタデータ) (2022-05-20T20:50:17Z) - Label Smoothed Embedding Hypothesis for Out-of-Distribution Detection [72.35532598131176]
我々は,$k$-NN 密度推定値を用いて OOD サンプルを検出する教師なし手法を提案する。
emphLabel Smoothed Embedding hypothesis と呼ばれるラベル平滑化に関する最近の知見を活用する。
提案手法は,多くのOODベースラインを上回り,新しい有限サンプル高確率統計結果を提供することを示す。
論文 参考訳(メタデータ) (2021-02-09T21:04:44Z)
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。