論文の概要: Revisiting Inlier and Outlier Specification for Improved
Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2207.05286v1
- Date: Tue, 12 Jul 2022 03:42:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 13:22:42.811774
- Title: Revisiting Inlier and Outlier Specification for Improved
Out-of-Distribution Detection
- Title(参考訳): より良い分散検出のための再帰的異常値と外れ値の仕様
- Authors: Vivek Narayanaswamy, Yamen Mubarka, Rushil Anirudh, Deepta Rajan,
Andreas Spanias and Jayaraman J. Thiagarajan
- Abstract要約: 我々は,IDデータの有意な変動を受け入れるとともに,OODレシージャの例を拒絶する検出器を提案する。
本稿では,IDの多様性に対する制御一般化と,多種多様(合成)な外乱例への露出が不可欠であることを示す。
既存の手法とは対照的に,我々のアプローチでは潜時空間における不整関数をサンプリングし,負のデータ拡張による外乱例を構築する。
- 参考スコア(独自算出の注目度): 39.8194799829348
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately detecting out-of-distribution (OOD) data with varying levels of
semantic and covariate shifts with respect to the in-distribution (ID) data is
critical for deployment of safe and reliable models. This is particularly the
case when dealing with highly consequential applications (e.g. medical imaging,
self-driving cars, etc). The goal is to design a detector that can accept
meaningful variations of the ID data, while also rejecting examples from OOD
regimes. In practice, this dual objective can be realized by enforcing
consistency using an appropriate scoring function (e.g., energy) and
calibrating the detector to reject a curated set of OOD data (referred to as
outlier exposure or shortly OE). While OE methods are widely adopted,
assembling representative OOD datasets is both costly and challenging due to
the unpredictability of real-world scenarios, hence the recent trend of
designing OE-free detectors. In this paper, we make a surprising finding that
controlled generalization to ID variations and exposure to diverse (synthetic)
outlier examples are essential to simultaneously improving semantic and
modality shift detection. In contrast to existing methods, our approach samples
inliers in the latent space, and constructs outlier examples via negative data
augmentation. Through a rigorous empirical study on medical imaging benchmarks
(MedMNIST, ISIC2019 and NCT), we demonstrate significant performance gains
($15\% - 35\%$ in AUROC) over existing OE-free, OOD detection approaches under
both semantic and modality shifts.
- Abstract(参考訳): in-distribution(id)データに対する意味的および共変的シフトのレベルが異なるood(out-of-distribution)データを正確に検出することは、安全で信頼性の高いモデルのデプロイに不可欠である。
これは、高度に連続したアプリケーション(例えば、医療画像、自動運転車など)を扱う場合に特に当てはまる。
目標は、IDデータの有意義なバリエーションを受け入れることができる検出器を設計し、OODレギュレーションの例を拒否することである。
実際には、この二重目的は、適切なスコアリング関数(例えば、エネルギー)を使用して整合性を強制し、検出器を校正してOODデータの硬化したセットを拒絶することで実現することができる。
OE法は広く採用されているが、現実シナリオの予測不能のため、代表OODデータセットの組み立ては費用がかかり難い。
本稿では,id変動に対する一般化制御と,多種多様な(合成的)異常例への露出が,意味的・モダリティ的シフト検出の同時改善に不可欠であることを示す。
既存手法とは対照的に,本手法は潜在空間のイリアーをサンプリングし,負のデータ拡張によって外れたサンプルを構成する。
医用画像ベンチマーク(MedMNIST, ISIC2019, NCT)の厳密な実証研究を通じて, 既存のOEフリーなOOD検出手法に対して, セマンティックシフトとモダリティシフトの両方で, 大幅な性能向上(AUROCでは15.5%~35.%)を示した。
関連論文リスト
- Improving Out-of-Distribution Detection in Echocardiographic View
Classication through Enhancing Semantic Features [1.9892308483583199]
心エコー画像における意味的特徴表現を強化するために,ラベルスムーシングを用いた新しい手法を提案する。
ラベルの平滑化とMDベースのOOD検出を組み合わせることで,心エコーによるOOD検出の精度向上のための新しいベンチマークを構築した。
論文 参考訳(メタデータ) (2023-08-31T06:44:42Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Diversifying Deep Ensembles: A Saliency Map Approach for Enhanced OOD
Detection, Calibration, and Accuracy [6.144680854063938]
Saliency Diversified Deep Ensemble (SDDE)は、Saliency Mapを活用することで、アンサンブルメンバー間の多様性を促進する新しいアプローチである。
特に,提案手法は,CIFAR10/100や大規模画像Netデータセットを含む複数のベンチマークにおいて,最先端のOOD検出品質,キャリブレーション,精度を実現する。
論文 参考訳(メタデータ) (2023-05-19T11:47:51Z) - Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is
All You Need [52.88953913542445]
簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。
我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
論文 参考訳(メタデータ) (2023-02-06T08:24:41Z) - OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。
この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。
関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
論文 参考訳(メタデータ) (2022-10-13T17:59:57Z) - DIAGNOSE: Avoiding Out-of-distribution Data using Submodular Information
Measures [13.492292022589918]
類似性と相似性を共同でモデル化できる,新しいアクティブラーニングフレームワークであるDiagnoseを提案する。
本実験は, 医用画像の複数の領域にまたがる最先端AL法に対する診断の優位性を検証するものである。
論文 参考訳(メタデータ) (2022-10-04T11:07:48Z) - 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) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳(メタデータ) (2022-01-24T12:32:48Z) - CVAD: A generic medical anomaly detector based on Cascade VAE [2.647674705784439]
我々は、医用画像におけるOOD検出の一般化性に着目し、自己教師付きカスケード変量自動エンコーダに基づく異常検出器(CVAD)を提案する。
我々は,複数のスケールで潜在表現を結合した変分オートエンコーダのカスケードアーキテクチャを用いて,OODデータを分布内(ID)データと区別するために識別器に供給する。
我々は、最先端のディープラーニングモデルと比較し、クラス内およびクラス間OODのための様々なオープンアクセス医療画像データセットにおいて、我々のモデルの有効性を実証する。
論文 参考訳(メタデータ) (2021-10-29T14:20:43Z) - 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。