論文の概要: Out-of-Distribution Detection with Class Ratio Estimation
- arxiv url: http://arxiv.org/abs/2206.03955v1
- Date: Wed, 8 Jun 2022 15:20:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-09 13:26:16.782079
- Title: Out-of-Distribution Detection with Class Ratio Estimation
- Title(参考訳): クラス比推定による分布外検出
- Authors: Mingtian Zhang and Andi Zhang and Tim Z. Xiao and Yitong Sun and
Steven McDonagh
- Abstract要約: 近年,OOD画像の検出作業において,密度に基づくアウト・オブ・ディストリビューション(OOD)検出は信頼性が低いことが示されている。
本稿では,エネルギーモデルを構築し,異なる基底分布を用いる新しい枠組みの下で,密度比に基づく手法を統合することを提案する。
- 参考スコア(独自算出の注目度): 4.930817402876787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Density-based Out-of-distribution (OOD) detection has recently been shown
unreliable for the task of detecting OOD images. Various density ratio based
approaches achieve good empirical performance, however methods typically lack a
principled probabilistic modelling explanation. In this work, we propose to
unify density ratio based methods under a novel framework that builds
energy-based models and employs differing base distributions. Under our
framework, the density ratio can be viewed as the unnormalized density of an
implicit semantic distribution. Further, we propose to directly estimate the
density ratio of a data sample through class ratio estimation. We report
competitive results on OOD image problems in comparison with recent work that
alternatively requires training of deep generative models for the task. Our
approach enables a simple and yet effective path towards solving the OOD
detection problem.
- Abstract(参考訳): 密度に基づくアウトオブディストリビューション(ood)検出は,最近はood画像の検出に信頼できないことが示されている。
様々な密度比に基づくアプローチは、優れた経験的性能を達成するが、一般的には原理的確率論的モデリングの説明を欠いている。
本研究では,エネルギーベースモデルを構築し,異なるベース分布を用いる新しい枠組みの下で密度比法を統合することを提案する。
この枠組みでは、密度比は暗黙的な意味分布の非正規化密度と見なすことができる。
さらに,データサンプルの密度比をクラス比推定によって直接推定する手法を提案する。
我々は,OOD画像問題に対する競合的な結果を,タスクのための深層生成モデルのトレーニングを必要とする最近の研究と比較する。
提案手法は,OOD検出問題に対する簡易かつ効果的な経路を実現する。
関連論文リスト
- FlowCon: Out-of-Distribution Detection using Flow-Based Contrastive Learning [0.0]
我々は新しい密度に基づくOOD検出技術であるtextitFlowConを紹介する。
我々の主な革新は、正規化フローの特性と教師付きコントラスト学習を効率的に組み合わせることである。
経験的評価は、一般的な視覚データセットにまたがる手法の性能向上を示す。
論文 参考訳(メタデータ) (2024-07-03T20:33:56Z) - Deep Metric Learning-Based Out-of-Distribution Detection with Synthetic Outlier Exposure [0.0]
Denoising Diffusion Probabilistic Models (DDPM) を用いたOODデータ生成のためのラベル混合手法を提案する。
実験の結果,メトリック学習に基づく損失関数はソフトマックスよりも優れていた。
提案手法は従来のOOD検出指標において高いベースラインを達成している。
論文 参考訳(メタデータ) (2024-05-01T16:58:22Z) - ConjNorm: Tractable Density Estimation for Out-of-Distribution Detection [41.41164637577005]
ポストホックアウト・オブ・ディストリビューション(OOD)検出は、信頼性の高い機械学習において大きな注目を集めている。
本稿では,密度に基づくスコア設計の統一的な視点を提供するために,Bregmanの発散に基づく理論的枠組みを提案する。
我々は,提案するtextscConjNormが,様々なOOD検出設定において,新たな最先端技術を確立したことを示す。
論文 参考訳(メタデータ) (2024-02-27T21:02:47Z) - Feature Density Estimation for Out-of-Distribution Detection via Normalizing Flows [7.91363551513361]
アウト・オブ・ディストリビューション(OOD)検出は,オープンワールド環境での学習システムの安全な配置において重要な課題である。
我々は、OODサンプル選択における研究者バイアスを回避するため、OODデータへの露出を必要としない、完全に教師なしのアプローチを提案する。
これは、任意の事前訓練されたモデルに適用可能なポストホック法であり、密度閾値による分布外検出を行うために、軽量な補助正規化フローモデルを訓練する。
論文 参考訳(メタデータ) (2024-02-09T16:51:01Z) - Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。
そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文 参考訳(メタデータ) (2023-03-06T11:51:28Z) - Fake It Till You Make It: Near-Distribution Novelty Detection by
Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。
本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。
本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文 参考訳(メタデータ) (2022-05-28T02:02:53Z) - Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。
モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。
提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
論文 参考訳(メタデータ) (2021-11-22T06:26:29Z) - Meta-Learning for Relative Density-Ratio Estimation [59.75321498170363]
相対密度比推定(DRE)の既存の方法は、両方の密度から多くのインスタンスを必要とする。
本稿では,関係データセットの知識を用いて,相対密度比を数例から推定する,相対DREのメタラーニング手法を提案する。
提案手法の有効性を,相対的DRE,データセット比較,外乱検出の3つの問題を用いて実証的に実証した。
論文 参考訳(メタデータ) (2021-07-02T02:13:45Z) - Label Smoothed Embedding Hypothesis for Out-of-Distribution Detection [72.35532598131176]
我々は,$k$-NN 密度推定値を用いて OOD サンプルを検出する教師なし手法を提案する。
emphLabel Smoothed Embedding hypothesis と呼ばれるラベル平滑化に関する最近の知見を活用する。
提案手法は,多くのOODベースラインを上回り,新しい有限サンプル高確率統計結果を提供することを示す。
論文 参考訳(メタデータ) (2021-02-09T21:04:44Z) - Density of States Estimation for Out-of-Distribution Detection [69.90130863160384]
DoSEは状態推定器の密度である。
我々は、他の教師なしOOD検出器に対するDoSEの最先端性能を実証する。
論文 参考訳(メタデータ) (2020-06-16T16:06:25Z)
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。