論文の概要: On making optimal transport robust to all outliers
- arxiv url: http://arxiv.org/abs/2206.11988v1
- Date: Thu, 23 Jun 2022 21:28:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 06:37:40.999786
- Title: On making optimal transport robust to all outliers
- Title（参考訳）: 最適輸送を全ての外れ値に頑健なものにすること
- Authors: Kilian Fatras
- Abstract要約: 外周ロバストな輸送変種は、外周が移動するのにコストがかかるサンプルである、という定義に基づいて提案されている。
より頑健なOTは,これらのアウトレーラを完全に輸送し,実際のパフォーマンスが低下することを示す。
我々は,これらの異常値の検出に成功し,いくつかの実験において輸送問題に影響を及ぼさないことを示す。
- 参考スコア（独自算出の注目度）: 2.726037037420483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimal transport (OT) is known to be sensitive against outliers because of
its marginal constraints. Outlier robust OT variants have been proposed based
on the definition that outliers are samples which are expensive to move. In
this paper, we show that this definition is restricted by considering the case
where outliers are closer to the target measure than clean samples. We show
that outlier robust OT fully transports these outliers leading to poor
performances in practice. To tackle these outliers, we propose to detect them
by relying on a classifier trained with adversarial training to classify source
and target samples. A sample is then considered as an outlier if the prediction
from the classifier is different from its assigned label. To decrease the
influence of these outliers in the transport problem, we propose to either
remove them from the problem or to increase the cost of moving them by using
the classifier prediction. We show that we successfully detect these outliers
and that they do not influence the transport problem on several experiments
such as gradient flows, generative models and label propagation.
- Abstract（参考訳）: 最適輸送(OT)は、限界制約のため、外れ値に敏感であることが知られている。
外れ値のロバストなot変種は、外れ値が移動に費用がかかるサンプルであるという定義に基づいて提案されている。
本稿では, クリーンサンプルよりも外周が目標値に近い場合を考えることで, この定義が制限されていることを示す。
より堅牢なOTは,これらのアウトレーラを完全に輸送し,実際のパフォーマンスが低下することを示す。
これらの異常値に対処するために, 対象サンプルを分類するために, 敵の訓練で訓練された分類器を頼りに検出する。
すると、分類器からの予測が割り当てられたラベルと異なる場合、サンプルは外れ値と見なされる。
輸送問題におけるこれらの外れ値の影響を低減するため,分類器予測を用いて,問題から除去するか,移動コストを増大させるかを提案する。
我々は,これらの異常値の検出に成功し,勾配流,生成モデル,ラベル伝搬などの実験において輸送問題に影響を及ぼさないことを示す。
関連論文リスト
- Unintentional Unalignment: Likelihood Displacement in Direct Preference Optimization [60.176008034221404]
直接選好最適化(DPO)とその変種は、言語モデルと人間の選好の整合にますます利用されている。
以前の研究では、トレーニング中に好まれる反応の可能性が減少する傾向が見られた。
確率変位は破滅的になりうることを示し、確率質量を好ましくない反応から反対の意味の反応へとシフトさせる。
論文 参考訳（メタデータ） (2024-10-11T14:22:44Z) - Rethinking Unsupervised Outlier Detection via Multiple Thresholding [15.686139522490189]
本稿では,既存のスコアリング手法を進化させるために,マルチしきい値(Multi-T)モジュールを提案する。
これにより、2つのしきい値が生成され、不正なターゲットデータセットからインレーヤとアウトレーヤを分離する。
実験により,Multi-Tが提案したアウトリースコアリング法を大幅に改善できることが確認された。
論文 参考訳（メタデータ） (2024-07-07T14:09:50Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳（メタデータ） (2023-12-02T16:23:52Z) - SSB: Simple but Strong Baseline for Boosting Performance of Open-Set
Semi-Supervised Learning [106.46648817126984]
本稿では,挑戦的で現実的なオープンセットSSL設定について検討する。
目標は、inlierを正しく分類し、outlierを検知することである。
信頼度の高い疑似ラベル付きデータを組み込むことで、不整合分類性能を大幅に改善できることが判明した。
論文 参考訳（メタデータ） (2023-11-17T15:14:40Z) - Quantile-based Maximum Likelihood Training for Outlier Detection [5.902139925693801]
我々は,推定時の外乱分離を改善するために,不整合分布を学習するための量子化に基づく最大極大目標を提案する。
本手法は, 事前学習した識別特徴に正規化フローを適合させ, 評価されたログ類似度に応じて異常値を検出する。
論文 参考訳（メタデータ） (2023-08-20T22:27:54Z) - DOS: Diverse Outlier Sampling for Out-of-Distribution Detection [18.964462007139055]
我々は,OOD検出性能の外れ値のサンプリングには多様性が重要であることを示した。
本稿では,多種多様かつ情報的外乱を選択するためにDOS (Diverse Outlier Smpling) という,単純で斬新なサンプリング戦略を提案する。
論文 参考訳（メタデータ） (2023-06-03T07:17:48Z) - Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。
そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
論文 参考訳（メタデータ） (2023-04-04T03:48:56Z) - Adaptive Negative Evidential Deep Learning for Open-set Semi-supervised Learning [69.81438976273866]
オープンセット半教師付き学習(Open-set SSL)は、ラベル付きデータ(inliers)で観測されない新しいカテゴリ(outliers)を含むラベル付きデータとテストデータを含む、より実践的なシナリオである。
本研究では,様々な不確かさを定量化するための外乱検出器として顕在的深層学習(EDL)を導入し,自己学習と推論のための異なる不確実性指標を設計する。
Inlierとoutlierの両方を含むラベルなしデータセットに適合するように、新しい適応的負の最適化戦略を提案する。
論文 参考訳（メタデータ） (2023-03-21T09:07:15Z) - Semi-supervised Object Detection via Virtual Category Learning [68.26956850996976]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
具体的には、各混乱したサンプルに仮想圏(VC)が割り当てられる。
トレーニングサンプルと仮想カテゴリの間の埋め込み距離を指定することに起因する。
論文 参考訳（メタデータ） (2022-07-07T16:59:53Z) - Gray Learning from Non-IID Data with Out-of-distribution Samples [45.788789553551176]
専門家が注釈を付けたとしても、トレーニングデータの完全性は保証されていない。
我々は,基本真実と相補的ラベルを両立させる新しいアプローチであるtextitGray Learningを導入する。
統計学習理論における我々のアプローチを基礎として、一般化誤差の境界を導出し、GLが非IID設定でも厳密な制約を達成できることを実証する。
論文 参考訳（メタデータ） (2022-06-19T10:46:38Z) - Unsupervised Embedding Learning from Uncertainty Momentum Modeling [37.674449317054716]
本研究では,与えられた未ラベル学習サンプルの不確かさを明示的にモデル化し,探索する新しい手法を提案する。
このような不確実性モデリングのモーメントを学習に利用し、アウトレーヤに取り組むのに役立ちます。
論文 参考訳（メタデータ） (2021-07-19T14:06:19Z)
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。