論文の概要: Generalized Out-of-Distribution Detection: A Survey
- arxiv url: http://arxiv.org/abs/2110.11334v1
- Date: Thu, 21 Oct 2021 17:59:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 13:53:44.250831
- Title: Generalized Out-of-Distribution Detection: A Survey
- Title(参考訳): 一般化された分布外検出:調査
- Authors: Jingkang Yang, Kaiyang Zhou, Yixuan Li, Ziwei Liu
- Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、機械学習システムの信頼性と安全性を確保するために重要である。
まず,先述した5つの問題を含む一般OOD検出という汎用フレームワークを提案する。
私たちのフレームワークでは、これらの5つの問題を特別なケースやサブタスクと見なすことができ、区別しやすくなります。
- 参考スコア(独自算出の注目度): 25.75149265244694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-distribution (OOD) detection is critical to ensuring the reliability
and safety of machine learning systems. For instance, in autonomous driving, we
would like the driving system to issue an alert and hand over the control to
humans when it detects unusual scenes or objects that it has never seen before
and cannot make a safe decision. This problem first emerged in 2017 and since
then has received increasing attention from the research community, leading to
a plethora of methods developed, ranging from classification-based to
density-based to distance-based ones. Meanwhile, several other problems are
closely related to OOD detection in terms of motivation and methodology. These
include anomaly detection (AD), novelty detection (ND), open set recognition
(OSR), and outlier detection (OD). Despite having different definitions and
problem settings, these problems often confuse readers and practitioners, and
as a result, some existing studies misuse terms. In this survey, we first
present a generic framework called generalized OOD detection, which encompasses
the five aforementioned problems, i.e., AD, ND, OSR, OOD detection, and OD.
Under our framework, these five problems can be seen as special cases or
sub-tasks, and are easier to distinguish. Then, we conduct a thorough review of
each of the five areas by summarizing their recent technical developments. We
conclude this survey with open challenges and potential research directions.
- Abstract(参考訳): アウト・オブ・ディストリビューション(OOD)検出は、機械学習システムの信頼性と安全性を確保するために重要である。
例えば、自動運転では、運転システムが警告を発し、これまで見たことのない異常なシーンや物体を検知し、安全な判断を下すことができないときに、人間に制御を委ねることを望んでいます。
この問題は2017年に初めて発生し、その後研究コミュニティから注目を集め、分類に基づくものから密度に基づくもの、距離に基づくものまで、多くの方法が開発された。
一方、他のいくつかの問題は、モチベーションと方法論の観点からOOD検出と密接に関連している。
例えば、異常検出(AD)、新規検出(ND)、オープンセット認識(OSR)、外れ値検出(OD)などがある。
定義や問題の設定が異なるにもかかわらず、これらの問題はしばしば読者や実践者を混乱させ、その結果、既存の研究では用語を誤用している。
本調査では,先述した5つの問題,すなわちAD,ND,OSR,OOD,ODを含む一般OOD検出という汎用フレームワークを最初に提示する。
私たちのフレームワークでは、これらの5つの問題は特別なケースやサブタスクと見ることができ、区別が容易です。
次に,最近の技術開発を要約して,各5分野の徹底的なレビューを行う。
この調査はオープンな課題と潜在的研究の方向性で締めくくります。
関連論文リスト
- Expecting The Unexpected: Towards Broad Out-Of-Distribution Detection [9.656342063882555]
5種類の分布変化について検討し,OOD検出手法の性能評価を行った。
その結果,これらの手法は未知のクラスの検出に優れるが,他のタイプの分散シフトに遭遇した場合,その性能は不整合であることがわかった。
我々は、より一貫性があり包括的なOOD検出ソリューションを提供するアンサンブルアプローチを提案する。
論文 参考訳(メタデータ) (2023-08-22T14:52:44Z) - Detecting Out-of-distribution Objects Using Neuron Activation Patterns [0.0]
物体検出装置(NAPTRON)における分布外サンプル検出のためのニューロン活性化PaTteRnsを導入する。
提案手法は,ID(In-distribution)のパフォーマンスに影響を与えることなく,最先端の手法よりも優れている。
OODオブジェクト検出のための最大のオープンソースベンチマークを作成しました。
論文 参考訳(メタデータ) (2023-07-31T06:41:26Z) - 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) - OpenOOD v1.5: Enhanced Benchmark for Out-of-Distribution Detection [81.25718226042832]
アウト・オブ・ディストリビューション(OOD)検出は、オープンワールド・インテリジェントシステムの信頼性の高い運用に不可欠である。
本稿では,OOD検出手法の精度,標準化,ユーザフレンドリな評価を保証したOpenOOD v1.5を提案する。
論文 参考訳(メタデータ) (2023-06-15T17:28:00Z) - OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。
この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。
関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
論文 参考訳(メタデータ) (2022-10-13T17:59:57Z) - A Unified Survey on Anomaly, Novelty, Open-Set, and Out-of-Distribution
Detection: Solutions and Future Challenges [28.104112546546936]
機械学習モデルは、トレーニング分布から分岐したサンプルに遭遇することが多い。
類似した共有概念にもかかわらず、アウト・オブ・ディストリビューション、オープン・セット、異常検出は独立して研究されている。
本調査は,各分野における多数の卓越した作品について,クロスドメインかつ包括的レビューを行うことを目的としている。
論文 参考訳(メタデータ) (2021-10-26T22:05:31Z) - Detecting OODs as datapoints with High Uncertainty [12.040347694782007]
ディープニューラルネットワーク(DNN)は、オフ・オブ・ディストリビューション・インプット(OOD)に非常に高い信頼を持つ誤った予測を生成することが知られている。
この制限は、自律運転、航空交通管理、医療診断などの高信頼システムにおけるDNNの採用における重要な課題の1つである。
モデルの予測が信頼できない入力を検出するために、いくつかの技術が開発されている。
我々は,これらの手法の検知能力の違いを実証し,不確実性の高いデータポイントとしてOODを検出するためのアンサンブルアプローチを提案する。
論文 参考訳(メタデータ) (2021-08-13T20:07:42Z) - 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) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳(メタデータ) (2020-01-27T11:21:05Z)
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。