Fugu-MT 論文翻訳(概要): Towards OOD Detection in Graph Classification from Uncertainty Estimation Perspective

論文の概要: Towards OOD Detection in Graph Classification from Uncertainty Estimation Perspective

arxiv url: http://arxiv.org/abs/2206.10691v1
Date: Tue, 21 Jun 2022 19:15:20 GMT
ステータス: 処理完了
システム内更新日: 2022-06-24 10:46:26.232663
Title: Towards OOD Detection in Graph Classification from Uncertainty Estimation Perspective
Title（参考訳）: 不確実性推定の観点からのグラフ分類におけるOOD検出に向けて
Authors: Gleb Bazhenov, Sergei Ivanov, Maxim Panov, Alexey Zaytsev, Evgeny Burnaev
Abstract要約: グラフ分類におけるアウト・オブ・ディストリビューション検出の問題点を考察する。 OOD検出には普遍的なアプローチはなく、グラフ表現と予測カテゴリー分布の両方を考慮することが重要である。
参考スコア（独自算出の注目度）: 13.86058267704743
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The problem of out-of-distribution detection for graph classification is far from being solved. The existing models tend to be overconfident about OOD examples or completely ignore the detection task. In this work, we consider this problem from the uncertainty estimation perspective and perform the comparison of several recently proposed methods. In our experiment, we find that there is no universal approach for OOD detection, and it is important to consider both graph representations and predictive categorical distribution.
Abstract（参考訳）: グラフ分類における分布外検出の問題はまだ解決されていない。既存のモデルはOODの例を過度に信頼するか、検出タスクを完全に無視する傾向があります。本研究では,不確実性推定の観点からこの問題を考察し,最近提案された手法との比較を行う。実験の結果,OOD検出には普遍的なアプローチはなく,グラフ表現と予測カテゴリー分布の両方を考慮することが重要であることがわかった。

関連論文リスト

Unifying Unsupervised Graph-Level Anomaly Detection and Out-of-Distribution Detection: A Benchmark [73.58840254552656]
近年,非教師付きグラフレベルの異常検出(GLAD)と教師なしグラフレベルのアウト・オブ・ディストリビューション(OOD)検出が注目されている。教師なしグラフレベルのOODと異常検出のための統一ベンチマーク(我々の方法)を提案する。我々のベンチマークでは、4つの実用的な異常とOOD検出シナリオにまたがる35のデータセットを網羅している。我々は,既存手法の有効性,一般化性,堅牢性,効率性について多次元解析を行った。
論文参考訳（メタデータ） (2024-06-21T04:07:43Z)
Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。 Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
論文参考訳（メタデータ） (2023-11-28T02:00:47Z)
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)
Rethinking Out-of-Distribution Detection From a Human-Centric Perspective [22.834986963880482]
Out-Of-Distribution(OOD)検出は、現実世界のシナリオにおけるディープニューラルネットワーク(DNN)の信頼性と安全性を保証することを目的としている。そこで本研究では,45個の分類器と8つのテストデータセットに対して,人間中心の評価を行い,広範な実験を行う。単純なベースラインOOD検出手法は,最近提案した手法と同等,さらに優れた性能を実現することができる。
論文参考訳（メタデータ） (2022-11-30T06:34:50Z)
GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。 GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
論文参考訳（メタデータ） (2022-11-08T12:41:58Z)
What is Flagged in Uncertainty Quantification? Latent Density Models for Uncertainty Categorization [68.15353480798244]
不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
論文参考訳（メタデータ） (2022-07-11T19:47:00Z)
Understanding Failures in Out-of-Distribution Detection with Deep Generative Models [22.11487118547924]
アウト・ディストリビューションが関係する仮定なしでは、ランダムな確率を超える性能を保証する方法が存在しないことを実証する。イン・ディストリビューションとアウト・ディストリビューションのオーバーラップを想定した上で,その影響を強調した。以上の結果から, 推定誤差は, 可能性に基づくOOD検出と利害分布の相違よりも, より妥当な説明であることが示唆された。
論文参考訳（メタデータ） (2021-07-14T18:00:11Z)
Prediction in the presence of response-dependent missing labels [28.932172873182115]
センサー技術の限界はワイルドファイアデータにラベルの欠落をもたらします新しい手法と非ラベルアルゴリズムP(ositive) U(ccurrence) M(agnitude) M(ixture)を開発し、陽性サンプルの発生と検出の可能性を共同で推定します。
論文参考訳（メタデータ） (2021-03-25T01:43:33Z)
The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文参考訳（メタデータ） (2020-12-05T17:30:35Z)
Uncertainty Aware Semi-Supervised Learning on Graph Data [18.695343563823798]
ノード分類予測のためのグラフニューラルネットワーク(GNN)を用いたマルチソース不確実性フレームワークを提案する。トレーニングノードのラベルからエビデンスを収集することにより、ノードレベルのディリクレ分布を正確に予測するグラフベースのカーネルディリクレ分布推定(GKDE)法が設計されている。その結果,不協和性検出は誤分類検出において最良であり,空洞性検出はOOD検出において最良であることがわかった。
論文参考訳（メタデータ） (2020-10-24T04:56:46Z)

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。