論文の概要: POEM: Out-of-Distribution Detection with Posterior Sampling

• arxiv url: http://arxiv.org/abs/2206.13687v1
• Date: Tue, 28 Jun 2022 01:35:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 12:39:06.937609
• Title: POEM: Out-of-Distribution Detection with Posterior Sampling
• Title（参考訳）: 詩:後方サンプリングによる分布外検出
• Authors: Yifei Ming, Ying Fan, Yixuan Li
• Abstract要約: オープンワールドにデプロイされた機械学習モデルには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 提案手法は, 後方サンプリングをベースとした新しい鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用 我々はPOEMが一般的なベンチマークで最先端の性能を確立していることを示す。
• 参考スコア（独自算出の注目度）: 28.96332663128854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-distribution (OOD) detection is indispensable for machine learning models deployed in the open world. Recently, the use of an auxiliary outlier dataset during training (also known as outlier exposure) has shown promising performance. As the sample space for potential OOD data can be prohibitively large, sampling informative outliers is essential. In this work, we propose a novel posterior sampling-based outlier mining framework, POEM, which facilitates efficient use of outlier data and promotes learning a compact decision boundary between ID and OOD data for improved detection. We show that POEM establishes state-of-the-art performance on common benchmarks. Compared to the current best method that uses a greedy sampling strategy, POEM improves the relative performance by 42.0% and 24.2% (FPR95) on CIFAR-10 and CIFAR-100, respectively. We further provide theoretical insights on the effectiveness of POEM for OOD detection.
• Abstract（参考訳）: out-of-distribution (ood) 検出は、オープンワールドにデプロイされる機械学習モデルにとって不可欠である。 近年、トレーニング中の補助的外れ値データセット(外れ値露光とも呼ばれる)の使用は、有望なパフォーマンスを示している。 潜在的OODデータのサンプル空間は禁じられるほど大きいため、情報の抽出は必須である。 そこで本研究では, オフレイラデータの効率的な利用を容易にし, ID と OOD データ間のコンパクトな決定境界を学習し, 検出精度の向上を図るための, 後方サンプリングベース・アウトリーマイニングフレームワーク POEM を提案する。 我々はPOEMが一般的なベンチマークで最先端の性能を確立することを示す。 グリーディサンプリング戦略を用いた現在の最良の方法と比較すると、詩はcifar-10とcifar-100の相対的なパフォーマンスをそれぞれ42.0%向上させ、24.2%(fpr95)向上させる。 さらに,OOD検出におけるPOEMの有効性について理論的考察を行った。

関連論文リスト

• Energy-based Hopfield Boosting for Out-of-Distribution Detection [6.038529869700369]
  外周露光法は、トレーニングプロセスに補助外周データを組み込む。 我々は,配当データとOODデータ間の決定境界を狭めるためのブースティング手法であるHopfield Boostingを紹介する。 CIFAR-10ではFPR95が2.28から0.92,CIFAR-100では11.76から7.94に改善された。
  論文  参考訳（メタデータ） (2024-05-14T16:59:20Z)
• 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)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• Diversified Outlier Exposure for Out-of-Distribution Detection via Informative Extrapolation [110.34982764201689]
  Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。 近年, 外部曝露によるOOD検出に有意な結果が得られた。 本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
  論文  参考訳（メタデータ） (2023-10-21T07:16:09Z)
• AUTO: Adaptive Outlier Optimization for Online Test-Time OOD Detection [81.49353397201887]
  オープンソースアプリケーションに機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 我々は、未ラベルのオンラインデータをテスト時に直接利用してOOD検出性能を向上させる、テスト時OOD検出と呼ばれる新しいパラダイムを導入する。 本稿では,入出力フィルタ,IDメモリバンク,意味的に一貫性のある目的からなる適応外乱最適化(AUTO)を提案する。
  論文  参考訳（メタデータ） (2023-03-22T02:28:54Z)
• Predicted Embedding Power Regression for Large-Scale Out-of-Distribution Detection [77.1596426383046]
  本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。 提案手法は,計算コストの最小化のみで,現在の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-03-07T18:28:39Z)
• Out-of-distribution Detection with Deep Nearest Neighbors [33.71627349163909]
  アウト・オブ・ディストリビューション(OOD)検出は、オープンな世界で機械学習モデルをデプロイするための重要なタスクである。 本稿では,OOD検出における非パラメトリック近接距離の有効性について検討する。 いくつかのベンチマークで最寄りのOOD検出の有効性を実証し,優れた性能を示す。
  論文  参考訳（メタデータ） (2022-04-13T16:45:21Z)
• 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)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。