論文の概要: Class-wise Thresholding for Detecting Out-of-Distribution Data

• arxiv url: http://arxiv.org/abs/2110.15292v1
• Date: Thu, 28 Oct 2021 16:54:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 17:20:32.780062
• Title: Class-wise Thresholding for Detecting Out-of-Distribution Data
• Title（参考訳）: 分布外データ検出のためのクラスワイズThresholding
• Authors: Matteo Guarrera, Baihong Jin, Tung-Wei Lin, Maria Zuluaga, Yuxin Chen, Alberto Sangiovanni-Vincentelli
• Abstract要約: 我々は,深層ニューラルネットワークを用いたOoD(Out-of-Distribution)入力データ検出の問題を考える。 既存のほとんどのOoD検出アルゴリズムに適用可能なクラスワイドしきい値決定方式を提案する。
• 参考スコア（独自算出の注目度）: 6.5295089440496055
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We consider the problem of detecting OoD(Out-of-Distribution) input data when using deep neural networks, and we propose a simple yet effective way to improve the robustness of several popular OoD detection methods against label shift. Our work is motivated by the observation that most existing OoD detection algorithms consider all training/test data as a whole, regardless of which class entry each input activates (inter-class differences). Through extensive experimentation, we have found that such practice leads to a detector whose performance is sensitive and vulnerable to label shift. To address this issue, we propose a class-wise thresholding scheme that can apply to most existing OoD detection algorithms and can maintain similar OoD detection performance even in the presence of label shift in the test distribution.
• Abstract（参考訳）: 本稿では,ディープニューラルネットワークを用いたood(out-of-distribution)入力データ検出の問題点について考察し,ラベルシフトに対するood検出手法のロバスト性を改善するための簡易かつ効果的な手法を提案する。 私たちの研究は、既存のood検出アルゴリズムのほとんどが、どのクラス入力がアクティベートするか(クラス間の違い)に関わらず、すべてのトレーニング/テストデータ全体を考慮していることに動機づけられています。 広範な実験を通じて,ラベルシフトに敏感で脆弱な検出器が,このような手法によって実現されることが判明した。 そこで本研究では,既存のood検出アルゴリズムのほとんどに適用でき,テスト分布にラベルシフトが存在する場合でも同様のood検出性能を維持できるクラス単位のしきい値設定方式を提案する。

関連論文リスト

• Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
  unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。 近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。 本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。 実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
  論文  参考訳（メタデータ） (2024-09-05T02:58:13Z)
• When and How Does In-Distribution Label Help Out-of-Distribution Detection? [38.874518492468965]
  本稿では,OOD検出におけるIDラベルの影響を理論的に説明するための公式な理解を提供する。 我々は,OODデータからのIDデータの分離性について,グラフ理論を用いて厳密に解析する。 我々は、シミュレーションと実データの両方に経験的な結果を示し、理論的保証を検証し、洞察を補強する。
  論文  参考訳（メタデータ） (2024-05-28T22:34:53Z)
• ImageNet-OOD: Deciphering Modern Out-of-Distribution Detection Algorithms [27.67837353597245]
  アウト・オブ・ディストリビューション(OOD)検出は、未定義で悪名高い。 最近の研究は、障害検出に焦点をあてている。 以前は最先端と見なされていた複雑なOOD検出器は、単純な最大ソフトマックス確率ベースラインと同じような、あるいはそれ以上に機能している。
  論文  参考訳（メタデータ） (2023-10-03T02:37:57Z)
• On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
  本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。 実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-27T02:54:07Z)
• Raising the Bar on the Evaluation of Out-of-Distribution Detection [88.70479625837152]
  我々は、知覚/視覚的・意味的類似性の概念をiDデータと微妙に異なる概念を用いて、OoDデータの2つのカテゴリを定義した。 iD データセットが与えられた2つのカテゴリそれぞれから OoD サンプルを生成するための GAN ベースのフレームワークを提案する。 従来のベンチマークで非常によく機能する最先端のOoD検出手法は,提案したベンチマークよりもはるかに堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-09-24T08:48:36Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Out-of-Distribution Detection using Outlier Detection Methods [0.0]
  アウト・オブ・ディストリビューション検出(OOD)は、ニューラルネットワークへの異常な入力を扱う。 我々は,OOD分野の特殊手法と同じくらい信頼性の高い異常な入力を検出するために,異常検出アルゴリズムを用いる。 ニューラルネットワークの適応は不要で、検出はモデルのソフトマックススコアに基づいて行われる。
  論文  参考訳（メタデータ） (2021-08-18T16:05:53Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Entropy Maximization and Meta Classification for Out-Of-Distribution Detection in Semantic Segmentation [7.305019142196585]
  自動運転など多くのアプリケーションにおいて,OoD(Out-of-Distribution)サンプルが不可欠である。 OoD検出の自然なベースラインアプローチは、ピクセル回りのソフトマックスエントロピーのしきい値です。 そのアプローチを大幅に改善する2段階の手順を提案する。
  論文  参考訳（メタデータ） (2020-12-09T11:01:06Z)
• A General Framework For Detecting Anomalous Inputs to DNN Classifiers [37.79389209020564]
  本稿では,内部のディープニューラルネットワーク層表現に基づく教師なし異常検出フレームワークを提案する。 我々は,強力な逆攻撃とOOD入力を用いた画像分類データセットについて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2020-07-29T22:57:57Z)

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。