論文の概要: Accuracy on In-Domain Samples Matters When Building Out-of-Domain detectors: A Reply to Marek et al. (2021)

• arxiv url: http://arxiv.org/abs/2205.11887v1
• Date: Tue, 24 May 2022 08:16:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-26 03:49:52.196273
• Title: Accuracy on In-Domain Samples Matters When Building Out-of-Domain detectors: A Reply to Marek et al. (2021)
• Title（参考訳）: ドメイン外検出器構築におけるドメイン内サンプルの精度:Marekらへの回答(2021年)
• Authors: Yinhe Zheng, Guanyi Chen
• Abstract要約: Marek et al. (2021) が論文 "OodGAN" で Zheng et al. (2020a) を再実装しようとしていることに気付いた。 In-Domain(IND)入力音声に似た擬似OODサンプルを生成するモデルを提案する。 これらの擬似OODサンプルはエントロピー正規化項を最適化することによりOOD検出性能を向上させることができる。
• 参考スコア（独自算出の注目度）: 22.46255467176501
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We have noticed that Marek et al. (2021) try to re-implement our paper Zheng et al. (2020a) in their work "OodGAN: Generative Adversarial Network for Out-of-Domain Data Generation". Our paper proposes a model to generate pseudo OOD samples that are akin to IN-Domain (IND) input utterances. These pseudo OOD samples can be used to improve the OOD detection performance by optimizing an entropy regularization term when building the IND classifier. Marek et al. (2021) report a large gap between their re-implemented results and ours on the CLINC150 dataset (Larson et al., 2019). This paper discusses some key observations that may have led to such a large gap. Most of these observations originate from our experiments because Marek et al. (2021) have not released their codes1. One of the most important observations is that stronger IND classifiers usually exhibit a more robust ability to detect OOD samples. We hope these observations help other researchers, including Marek et al. (2021), to develop better OOD detectors in their applications.
• Abstract（参考訳）: Marek et al. (2021) が論文 "OodGAN: Generative Adversarial Network for Out-of-Domain Data Generation" で Zheng et al. (2020a) を再実装しようとしていることに気付いた。 In-Domain(IND)入力音声に似た擬似OODサンプルを生成するモデルを提案する。 これらの擬似OODサンプルは、IND分類器を構築する際にエントロピー正規化項を最適化することにより、OOD検出性能を向上させることができる。 Marek et al. (2021)は、再実装された結果と私たちのCLINC150データセット(Larson et al., 2019)の間に大きなギャップを報告している。 本稿は、このような大きなギャップに繋がったかもしれないいくつかの重要な観測について論じる。 これらの観測のほとんどは、Marek et al. (2021) がコード1を公開していないため、我々の実験に由来する。 最も重要な観測の1つは、強いIND分類器がOODサンプルを検出するより堅牢な能力を示すことである。 これらの観測によって、Marekら他の研究者(2021年)がより優れたOOD検出器を開発できることを期待しています。

関連論文リスト

• Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
  既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。 いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。 この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-06-14T09:27:56Z)
• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• Detecting Out-of-Distribution Through the Lens of Neural Collapse [7.04686607977352]
  安全なデプロイメントには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 既存の検出器は、一般化の相違とコストの懸念を示す。 我々はニューラル崩壊の傾向にインスパイアされた、高度に多用途で効率的なOOD検出器を提案する。
  論文  参考訳（メタデータ） (2023-11-02T05:18:28Z)
• Reconstruction-based Out-of-Distribution Detection for Short-Range FMCW Radar [0.0]
  本稿では,レーダ領域で動作する新しい再構成型OOD検出器を提案する。 提案手法はオートエンコーダ(AE)とその潜在表現を利用してOODサンプルを検出する。 我々は60GHz短距離FMCWレーダを用いて収集したデータセットに対して90.72%のAUROCを達成した。
  論文  参考訳（メタデータ） (2023-02-27T23:03:51Z)
• 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)
• ViM: Out-Of-Distribution with Virtual-logit Matching [21.788502618384985]
  我々はVirtual-logit Matching (ViM) という新しいOODスコアリング手法を提案する。 ViMは、特徴空間からのクラスに依存しないスコアと、ID(In-Distribution)クラス依存ロジットを組み合わせる。 私たちは ImageNet-1K 用の新しい OOD データセットを作成します。
  論文  参考訳（メタデータ） (2022-03-21T08:56:55Z)
• How to Exploit Hyperspherical Embeddings for Out-of-Distribution Detection? [22.519572587827213]
  CIDERは、OOD検出に超球面埋め込みを利用する表現学習フレームワークである。 CIDERは優れたパフォーマンスを確立し、FPR95では19.36%で最新のライバルを上回った。
  論文  参考訳（メタデータ） (2022-03-08T23:44:01Z)
• PnPOOD : Out-Of-Distribution Detection for Text Classification via Plug andPlay Data Augmentation [25.276900899887192]
  ドメイン外サンプル生成によるOOD検出を行うデータ拡張手法であるOODを提案する。 本手法は, クラス境界に近い高品質な識別サンプルを生成し, 精度の高いOOD検出を行う。 我々は、OOD検出に先立つ試みで使用されるデータセットで重要なデータ漏洩問題を強調し、同じ問題に悩まされないOOD検出のための新しいデータセットで結果を共有する。
  論文  参考訳（メタデータ） (2021-10-31T14:02:26Z)
• Enhancing the Generalization for Intent Classification and Out-of-Domain Detection in SLU [70.44344060176952]
  インテント分類は、音声言語理解(SLU)における主要な課題である 近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。 本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
  論文  参考訳（メタデータ） (2021-06-28T08:27:38Z)
• ATOM: Robustifying Out-of-distribution Detection Using Outlier Mining [51.19164318924997]
  インフォメーション・アウトリエ・マイニングによるアドリアトレーニングは、OOD検出の堅牢性を向上させる。 ATOMは,古典的,敵対的なOOD評価タスクの幅広いファミリーの下で,最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-06-26T20:58:05Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。