論文の概要: Out-of-distribution Detection via Frequency-regularized Generative
Models
- arxiv url: http://arxiv.org/abs/2208.09083v1
- Date: Thu, 18 Aug 2022 22:34:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-22 16:47:49.457222
- Title: Out-of-distribution Detection via Frequency-regularized Generative
Models
- Title(参考訳): 周波数規則化生成モデルによる分布外検出
- Authors: Mu Cai, Yixuan Li
- Abstract要約: 深層生成モデルは、トレーニング分布の外から引き出された入力に高い確率を割り当てることができる。
特に、生成モデルは、確率を推定するために背景情報に過度に依存していることが示される。
OOD検出のための新しい周波数規則型学習FRLフレームワークを提案する。
- 参考スコア(独自算出の注目度): 23.300763504208593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern deep generative models can assign high likelihood to inputs drawn from
outside the training distribution, posing threats to models in open-world
deployments. While much research attention has been placed on defining new
test-time measures of OOD uncertainty, these methods do not fundamentally
change how deep generative models are regularized and optimized in training. In
particular, generative models are shown to overly rely on the background
information to estimate the likelihood. To address the issue, we propose a
novel frequency-regularized learning FRL framework for OOD detection, which
incorporates high-frequency information into training and guides the model to
focus on semantically relevant features. FRL effectively improves performance
on a wide range of generative architectures, including variational
auto-encoder, GLOW, and PixelCNN++. On a new large-scale evaluation task, FRL
achieves the state-of-the-art performance, outperforming a strong baseline
Likelihood Regret by 10.7% (AUROC) while achieving 147$\times$ faster inference
speed. Extensive ablations show that FRL improves the OOD detection performance
while preserving the image generation quality. Code is available at
https://github.com/mu-cai/FRL.
- Abstract(参考訳): 現代の深層生成モデルは、トレーニングディストリビューションの外から引き出された入力に高い確率を割り当て、オープンワールドデプロイメントにおけるモデルに脅威を与えることができる。
oodの不確かさの新しいテストタイム尺度を定義することには多くの研究が注目されているが、これらの手法は根底から見て、深層生成モデルの正規化と訓練における最適化の方法を変えるものではない。
特に、生成モデルは、確率を推定するために背景情報に過度に依存する。
そこで本研究では,OOD検出のための新しい周波数規則型学習FRLフレームワークを提案する。
FRLは、可変オートエンコーダ、GLOW、PixelCNN++など、幅広い生成アーキテクチャのパフォーマンスを効果的に改善する。
新しい大規模評価タスクでは、FRLは最先端のパフォーマンスを達成し、強力なベースラインであるLikelihood Regretを10.7%(AUROC)で上回り、147$\times$高速推論速度を達成した。
FRLは画像生成品質を維持しながらOOD検出性能を向上させる。
コードはhttps://github.com/mu-cai/frlで入手できる。
関連論文リスト
- Self-Play Fine-Tuning of Diffusion Models for Text-to-Image Generation [59.184980778643464]
ファインチューニング拡散モデル : 生成人工知能(GenAI)の最前線
本稿では,拡散モデル(SPIN-Diffusion)のための自己演奏ファインチューニングという革新的な手法を紹介する。
提案手法は従来の教師付き微調整とRL戦略の代替として,モデル性能とアライメントの両方を大幅に改善する。
論文 参考訳(メタデータ) (2024-02-15T18:59:18Z) - Diffusion-Model-Assisted Supervised Learning of Generative Models for
Density Estimation [10.793646707711442]
本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。
スコアベース拡散モデルを用いてラベル付きデータを生成する。
ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
論文 参考訳(メタデータ) (2023-10-22T23:56:19Z) - Learn from the Past: A Proxy Guided Adversarial Defense Framework with
Self Distillation Regularization [53.04697800214848]
敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。
AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。
汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
論文 参考訳(メタデータ) (2023-10-19T13:13:41Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
基礎モデルを用いた最先端UniDA手法の実証的研究を行った。
CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。
単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
論文 参考訳(メタデータ) (2023-05-18T16:28:29Z) - RAFT: Reward rAnked FineTuning for Generative Foundation Model Alignment [32.752633250862694]
生成基礎モデルは、広範囲の教師なしのトレーニングデータから生じる暗黙のバイアスに影響を受けやすい。
我々は、生成モデルを効果的に整合させるために設計された新しいフレームワーク、Reward rAnked FineTuningを紹介する。
論文 参考訳(メタデータ) (2023-04-13T18:22:40Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳(メタデータ) (2023-03-20T14:12:55Z) - RLFlow: Optimising Neural Network Subgraph Transformation with World
Models [0.0]
本稿では,ニューラルネットワークのアーキテクチャを最適化するためのモデルベースエージェントを提案する。
提案手法は, 共通の畳み込みネットワーク上での最先端技術の性能に適合し, トランスフォーマースタイルのアーキテクチャでは最大5%性能が向上することを示す。
論文 参考訳(メタデータ) (2022-05-03T11:52:54Z) - Deep Generative model with Hierarchical Latent Factors for Time Series
Anomaly Detection [40.21502451136054]
本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。
トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。
提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-02-15T17:19:44Z) - Frequency-based Automated Modulation Classification in the Presence of
Adversaries [17.930854969511046]
本稿では、転送可能な対角干渉に耐えられるディープラーニングモデルからなる新しい受信アーキテクチャを提案する。
本研究では、リカレントニューラルネットワーク(RNN)では30%以上、畳み込みニューラルネットワーク(CNN)では50%以上の性能向上を示す。
論文 参考訳(メタデータ) (2020-11-02T17:12:22Z) - Fast-Convergent Federated Learning [82.32029953209542]
フェデレーション学習は、モバイルデバイスの現代的なネットワークを介して機械学習タスクを分散するための、有望なソリューションである。
本稿では,FOLBと呼ばれる高速収束型フェデレーション学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-26T14:37:51Z)
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。