論文の概要: GAN Based Boundary Aware Classifier for Detecting Out-of-distribution
Samples
- arxiv url: http://arxiv.org/abs/2112.11648v1
- Date: Wed, 22 Dec 2021 03:35:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 15:28:46.243069
- Title: GAN Based Boundary Aware Classifier for Detecting Out-of-distribution
Samples
- Title(参考訳): 分散サンプル検出のためのganベース境界認識分類器
- Authors: Sen Pei, Xin Zhang, Richard YiDa Xu and Gaofeng Meng
- Abstract要約: 本稿では,ほとんどのIDデータのみを含む閉じたハイパースペースを生成するためのGANベースの境界認識分類器(GBAC)を提案する。
本手法は, 従来のニューラルネットが, 未閉鎖領域として特徴空間を分離し, オード検出に適さない。
GBACを補助モジュールとして、閉じたハイパースペースの外に分散されたoodデータは、より低いスコアで割り当てられ、より効果的なood検出が可能になる。
- 参考スコア(独自算出の注目度): 24.572516991009323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper focuses on the problem of detecting out-of-distribution (ood)
samples with neural nets. In image recognition tasks, the trained classifier
often gives high confidence score for input images which are remote from the
in-distribution (id) data, and this has greatly limited its application in real
world. For alleviating this problem, we propose a GAN based boundary aware
classifier (GBAC) for generating a closed hyperspace which only contains most
id data. Our method is based on the fact that the traditional neural net
seperates the feature space as several unclosed regions which are not suitable
for ood detection. With GBAC as an auxiliary module, the ood data distributed
outside the closed hyperspace will be assigned with much lower score, allowing
more effective ood detection while maintaining the classification performance.
Moreover, we present a fast sampling method for generating hard ood
representations which lie on the boundary of pre-mentioned closed hyperspace.
Experiments taken on several datasets and neural net architectures promise the
effectiveness of GBAC.
- Abstract(参考訳): 本稿では,ニューラルネットを用いた分布外サンプルの検出問題に焦点を当てた。
画像認識タスクにおいて、訓練された分類器は、入出力(ID)データから離れた入力画像に対して高い信頼度を与えることが多く、これは実世界での利用を著しく制限している。
この問題を軽減するため,ほとんどのIDデータのみを含む閉超空間を生成するためのGBAC(GAN based boundary aware classifier)を提案する。
本手法は,従来のニューラルネットがood検出に適さない複数の非閉領域として特徴空間を分離するという事実に基づいている。
gbacを補助モジュールとして、閉じたハイパースペース外に分散されたoodデータはより低いスコアで割り当てられ、分類性能を維持しながらより効果的なood検出が可能になる。
さらに,前述した閉超空間の境界上にあるハードオード表現を生成するための高速サンプリング手法を提案する。
いくつかのデータセットとニューラルネットアーキテクチャの実験は、GBACの有効性を約束している。
関連論文リスト
- RaffeSDG: Random Frequency Filtering enabled Single-source Domain Generalization for Medical Image Segmentation [41.50001361938865]
ディープラーニングモデルは、ソースとターゲットデータの間にドメインシフトがある場合、正確な推論を行う際の課題に直面することが多い。
単一ソース領域一般化アルゴリズム(RaffeSDG)を提案する。
RaffeSDGは、単一ソースドメインでトレーニングされたセグメンテーションモデルで、堅牢なドメイン外推論を約束する。
論文 参考訳(メタデータ) (2024-05-02T12:13:00Z) - Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。
本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文 参考訳(メタデータ) (2023-05-23T02:14:11Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳(メタデータ) (2022-02-23T18:57:53Z) - An Efficient Anomaly Detection Approach using Cube Sampling with
Streaming Data [2.0515785954568626]
異常検出は侵入検知、健康モニタリング、故障診断、センサネットワークイベント検出など様々な分野で重要である。
孤立林(アイフォレスト)アプローチは、異常を検出するためのよく知られた手法である。
本稿では,ストリーミングデータに有効なキューブサンプリングを用いた,効率的なiForestに基づく異常検出手法を提案する。
論文 参考訳(メタデータ) (2021-10-05T04:23:00Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-09-15T14:11:53Z) - 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) - Multi-Class Data Description for Out-of-distribution Detection [25.853322158250435]
Deep-MCDDは、分布外(OOD)サンプルを検出するだけでなく、分布内(ID)サンプルを分類するのに効果的です。
ガウス微分分析の概念をディープニューラルネットワークに統合することにより,クラス条件分布を学習する深層学習目標を提案する。
論文 参考訳(メタデータ) (2021-04-02T08:41:51Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳(メタデータ) (2020-09-17T07:39:52Z) - Semi-supervised deep learning based on label propagation in a 2D
embedded space [117.9296191012968]
提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。
本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。
ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
論文 参考訳(メタデータ) (2020-08-02T20:08:54Z) - SFE-GACN: A Novel Unknown Attack Detection Method Using Intra Categories
Generation in Embedding Space [15.539505627198109]
暗号化されたネットワークトラフィック侵入検出では,ディープラーニングに基づくスキームが注目されている。
本稿では,埋め込み空間におけるカテゴリ内生成に基づく未知の攻撃検出手法を提案する。
その結果、最先端法と比較して平均TPRは8.38%高く、平均FPRは12.77%低いことがわかった。
論文 参考訳(メタデータ) (2020-04-12T20:51:00Z)
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。