論文の概要: Difficulty-Aware Simulator for Open Set Recognition

• arxiv url: http://arxiv.org/abs/2207.10024v1
• Date: Wed, 20 Jul 2022 16:41:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:56:10.293928
• Title: Difficulty-Aware Simulator for Open Set Recognition
• Title（参考訳）: オープン集合認識のための難易度シミュレータ
• Authors: WonJun Moon, Junho Park, Hyun Seok Seong, Cheol-Ho Cho, Jae-Pil Heo
• Abstract要約: 本稿では,現実世界をシミュレートするために,多様な難易度をもつ偽物を生成する新しいフレームワークDIASを提案する。 その結果、DIASはAUROCとFスコアの両方のメトリクスで最先端の手法より優れている。
• 参考スコア（独自算出の注目度）: 6.662003293919262
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Open set recognition (OSR) assumes unknown instances appear out of the blue at the inference time. The main challenge of OSR is that the response of models for unknowns is totally unpredictable. Furthermore, the diversity of open set makes it harder since instances have different difficulty levels. Therefore, we present a novel framework, DIfficulty-Aware Simulator (DIAS), that generates fakes with diverse difficulty levels to simulate the real world. We first investigate fakes from generative adversarial network (GAN) in the classifier's viewpoint and observe that these are not severely challenging. This leads us to define the criteria for difficulty by regarding samples generated with GANs having moderate-difficulty. To produce hard-difficulty examples, we introduce Copycat, imitating the behavior of the classifier. Furthermore, moderate- and easy-difficulty samples are also yielded by our modified GAN and Copycat, respectively. As a result, DIAS outperforms state-of-the-art methods with both metrics of AUROC and F-score. Our code is available at https://github.com/wjun0830/Difficulty-Aware-Simulator.
• Abstract（参考訳）: オープンセット認識(OSR)は、未知のインスタンスが推論時に青から現れると仮定する。 OSRの主な課題は、未知のモデルの応答が予測不可能であることである。 さらに、開集合の多様性は、インスタンスの難易度が異なるため、困難になる。 そこで本研究では,現実世界をシミュレートするために,多様な難易度をもつ偽物を生成する新しいフレームワークDIASを提案する。 まず,分類者の視点でGAN(Generative Adversarial Network)のフェイクを調査し,これらが深刻な課題ではないことを考察した。 この結果から,ganが適度に拡散するサンプルについて,難易度基準を定義することができた。 難易度の高い例を生成するために,分類器の動作を模倣した Copycat を導入する。 さらに, 改良したGANとCopycatにより, 中等度, 容易な試料も得られた。 その結果、DIASはAUROCとFスコアの両方のメトリクスで最先端の手法より優れている。 私たちのコードはhttps://github.com/wjun0830/difficulty-aware-simulatorで利用可能です。

関連論文リスト

• Machine Unlearning in Forgettability Sequence [22.497699136603877]
  未学習の難易度と未学習アルゴリズムの性能に影響を及ぼす要因を同定する。 本稿では,RankingモジュールとSeqUnlearnモジュールからなる一般の未学習フレームワーク RSU を提案する。
  論文  参考訳（メタデータ） (2024-10-09T01:12:07Z)
• Extrinsicaly Rewarded Soft Q Imitation Learning with Discriminator [0.0]
  行動クローンのような教師付き学習手法はサンプリングデータを必要としないが、通常は分散シフトに悩まされる。 ソフトQ模倣学習(SQIL)はこの問題に対処し,行動クローンとソフトQ学習を一定の報酬と組み合わせることで効率よく学習できることを示した。
  論文  参考訳（メタデータ） (2024-01-30T06:22:19Z)
• Identifying Hard Noise in Long-Tailed Sample Distribution [76.16113794808001]
  NLT(Noisy Long-Tailed Classification)を紹介する。 ほとんどのノイズ除去法は、ハードノイズを特定するのに失敗する。 我々はH2E(Hard-to-Easy)と呼ばれる反復的な雑音学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2022-07-27T09:03:03Z)
• HardVis: Visual Analytics to Handle Instance Hardness Using Undersampling and Oversampling Techniques [48.82319198853359]
  HardVisは、主に不均衡な分類シナリオでインスタンスの硬さを処理するために設計されたビジュアル分析システムである。 ユーザはさまざまな視点からデータのサブセットを探索して、これらのパラメータをすべて決定できる。 HardVisの有効性と有効性は仮説的利用シナリオとユースケースで実証される。
  論文  参考訳（メタデータ） (2022-03-29T17:04:16Z)
• A Simple Hash-Based Early Exiting Approach For Language Understanding and Generation [77.85086491395981]
  早期終了は、難易度の推定に応じて異なるレイヤでインスタンスを終了させることを可能にする。 我々はハッシュベースの早期退避アプローチ(HashEE)を提案し,各トークンを固定された退避層に割り当てるために,学習から退避するモジュールをハッシュ関数に置き換える。 分類,回帰,生成タスクに関する実験結果から,HashEEはFLOPを少なくして高い性能を達成できることが示された。
  論文  参考訳（メタデータ） (2022-03-03T12:02:05Z)
• Reconstruction guided Meta-learning for Few Shot Open Set Recognition [31.49168444631114]
  ReFOCS (Reconstructing Exemplar-based Few-shot Open-set Classifier) を提案する。 新規な再構築型メタラーニング戦略であるReFOCSを用いてFSOSRを効率化する。 ReFOCSは複数の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T23:23:35Z)
• Counterfactual Zero-Shot and Open-Set Visual Recognition [95.43275761833804]
  Zero-Shot Learning (ZSL) と Open-Set Recognition (OSR) の両方に対する新しい反実用フレームワークを提案する。 我々の考えは、目に見えないクラスのための生成されたサンプルは、しばしば真の分布から外れているという観察に由来する。 当社のフレームワークが見掛け/見当たらない不均衡を効果的に緩和し,全体的なパフォーマンスを大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-01T10:20:04Z)
• Geometry matters: Exploring language examples at the decision boundary [2.7249290070320034]
  BERT、CNN、fasttextは、高い難易度例において単語置換の影響を受けやすい。 YelpReviewPolarityでは、レジリエンスと摂動の相関係数-0.4と難易度との相関係数を観測する。 我々のアプローチは単純でアーキテクチャに依存しないものであり、テキスト分類モデルの華やかさの研究に利用できる。
  論文  参考訳（メタデータ） (2020-10-14T16:26:13Z)
• Doubly-stochastic mining for heterogeneous retrieval [74.43785301907276]
  現代の検索問題は、数十億のラベルを持つトレーニングセットによって特徴づけられる。 ラベルの数が多ければ、単一の例であっても標準的な損失を最適化することは困難である。 両課題に対処するため, 二重確率地雷 (S2M) を提案する。
  論文  参考訳（メタデータ） (2020-04-23T00:43:13Z)
• Discriminator Soft Actor Critic without Extrinsic Rewards [0.30586855806896046]
  少数の専門家データとサンプリングデータから、未知の状態においてうまく模倣することは困難である。 本稿では,このアルゴリズムを分散シフトに対してより堅牢にするために,DSAC(Distriminator Soft Actor Critic)を提案する。
  論文  参考訳（メタデータ） (2020-01-19T10:45:35Z)
• The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
  エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。 適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。 我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。