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
- 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) - Dissecting Out-of-Distribution Detection and Open-Set Recognition: A Critical Analysis of Methods and Benchmarks [17.520137576423593]
我々は,コミュニティ内の2つの大きなサブフィールドの総合的なビュー – アウト・オブ・ディストリビューション(OOD)検出とオープンセット認識(OSR) – を提供することを目指している。
我々は,OOD検出における最先端手法とOSR設定との厳密な相互評価を行い,それらの手法の性能の強い相関関係を同定する。
我々は,OOD検出とOSRによって取り組まれている問題を解消する,より大規模なベンチマーク設定を提案する。
論文 参考訳（メタデータ） (2024-08-29T17:55:07Z) - Generalized Out-of-Distribution Detection and Beyond in Vision Language Model Era: A Survey [107.08019135783444]
VLM時代のAD, ND, OSR, OOD, ODの進化をカプセル化した一般OOD検出v2を提案する。
我々のフレームワークは、いくつかのフィールド不活性と統合により、要求される課題がOOD検出とADになっていることを明らかにしている。
論文 参考訳（メタデータ） (2024-07-31T17:59:58Z) - Rethinking Out-of-Distribution Detection for Reinforcement Learning: Advancing Methods for Evaluation and Detection [3.7384109981836158]
強化学習(RL)におけるアウト・オブ・ディストリビューション(OOD)検出の問題点について検討する。
本稿では、RLにおけるOOD検出の用語の明確化を提案し、他の機械学習分野の文献と整合する。
OOD検出のための新しいベンチマークシナリオを提案し、エージェント環境ループの異なるコンポーネントに時間的自己相関を伴う異常を導入する。
DEXTERはベンチマークシナリオ間の異常を確実に識別でき、統計から得られた最先端のOOD検出器や高次元変化点検出器と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2024-04-10T15:39:49Z) - Out-of-Distribution Data: An Acquaintance of Adversarial Examples -- A Survey [7.891552999555933]
現実世界のアプリケーションにデプロイされるディープニューラルネットワーク(DNN)は、アウト・オブ・ディストリビューション(OOD)データや敵の例に遭遇する可能性がある。
伝統的に、OODの検出と敵の堅牢性は別の課題として対処されてきた。
本調査は, この2つの領域の交点に着目し, 研究コミュニティが共同研究を行った経緯について考察する。
論文 参考訳（メタデータ） (2024-04-08T06:27:38Z) - 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 [82.85303878718207]
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)
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。