論文の概要: Know Your Space: Inlier and Outlier Construction for Calibrating Medical OOD Detectors

• arxiv url: http://arxiv.org/abs/2207.05286v2
• Date: Sat, 22 Apr 2023 15:31:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-26 00:05:57.960643
• Title: Know Your Space: Inlier and Outlier Construction for Calibrating Medical OOD Detectors
• Title（参考訳）: 医療用OOD検出器を校正するInlier and Outlierの構築
• Authors: Vivek Narayanaswamy, Yamen Mubarka, Rushil Anirudh, Deepta Rajan, Andreas Spanias and Jayaraman J. Thiagarajan
• Abstract要約: 我々は、よく校正されたアウト・オブ・ディストリビューション検出器(OOD)の開発に焦点をあてる。 適切なキャリブレーションデータセットのキュレーションが困難であるために、合成オーグメンテーションは不整合/不整合仕様において非常に普及している。 最適プロトコルは,様々な画素空間外値とともに潜在空間不整形を合成することである。
• 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: We focus on the problem of producing well-calibrated out-of-distribution (OOD) detectors, in order to enable safe deployment of medical image classifiers. Motivated by the difficulty of curating suitable calibration datasets, synthetic augmentations have become highly prevalent for inlier/outlier specification. While there have been rapid advances in data augmentation techniques, this paper makes a striking finding that the space in which the inliers and outliers are synthesized, in addition to the type of augmentation, plays a critical role in calibrating OOD detectors. Using the popular energy-based OOD detection framework, we find that the optimal protocol is to synthesize latent-space inliers along with diverse pixel-space outliers. Based on empirical studies with multiple medical imaging benchmarks, we demonstrate that our approach consistently leads to superior OOD detection ($15\% - 35\%$ in AUROC) over the state-of-the-art in a variety of open-set recognition settings.
• Abstract（参考訳）: 本稿では,医用画像分類器の安全な配置を実現するために,配電体外分布検知器(OOD)の開発に焦点をあてる。 適切なキャリブレーションデータセットのキュレーションの困難さに動機づけられた合成拡張は、異常値/外れ値仕様において非常に広く使われている。 データ拡張技術は急速な進歩を遂げてきたが、本論文は、ood検出器のキャリブレーションにおいて、拡張のタイプに加えて、イリアーと外れ値が合成される空間が重要な役割を担っていることを示す。 一般的なエネルギーベースOOD検出フレームワークを用いて,様々な画素空間外値とともに潜時空間不整合を合成することが最適プロトコルであることがわかった。 複数の医用画像ベンチマークによる実証研究に基づいて,我々は,様々なオープンセット認識設定における最先端のOOD検出(AUROCでは15.5%～35.%)を一貫して行うことを実証した。

関連論文リスト

• Margin-bounded Confidence Scores for Out-of-Distribution Detection [2.373572816573706]
  本稿では,非自明なOOD検出問題に対処するため,Margin bounded Confidence Scores (MaCS) と呼ばれる新しい手法を提案する。 MaCS は ID と OOD のスコアの差を拡大し、決定境界をよりコンパクトにする。 画像分類タスクのための様々なベンチマークデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-09-22T05:40:25Z)
• Dissecting Out-of-Distribution Detection and Open-Set Recognition: A Critical Analysis of Methods and Benchmarks [17.520137576423593]
  我々は,コミュニティ内の2つの大きなサブフィールドの総合的なビュー – アウト・オブ・ディストリビューション(OOD)検出とオープンセット認識(OSR) – を提供することを目指している。 我々は,OOD検出における最先端手法とOSR設定との厳密な相互評価を行い,それらの手法の性能の強い相関関係を同定する。 我々は,OOD検出とOSRによって取り組まれている問題を解消する,より大規模なベンチマーク設定を提案する。
  論文  参考訳（メタデータ） (2024-08-29T17:55:07Z)
• 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)
• 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。