論文の概要: Positive Difference Distribution for Image Outlier Detection using
Normalizing Flows and Contrastive Data
- arxiv url: http://arxiv.org/abs/2208.14024v2
- Date: Wed, 26 Apr 2023 07:46:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-27 18:28:31.292730
- Title: Positive Difference Distribution for Image Outlier Detection using
Normalizing Flows and Contrastive Data
- Title（参考訳）: 正規化フローとコントラストデータを用いた画像外乱検出の正差分布
- Authors: Robert Schmier, Ullrich K\"othe, Christoph-Nikolas Straehle
- Abstract要約: 例えば、標準的なログライクリーフトレーニングによる正規化フローは、外れ値スコアとして不十分である。
本稿では,外乱検出のための非ラベル付き補助データセットと確率的外乱スコアを提案する。
これは、分布内と対照的な特徴密度の間の正規化正の差を学ぶことと等価であることを示す。
- 参考スコア（独自算出の注目度）: 2.9005223064604078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting test data deviating from training data is a central problem for
safe and robust machine learning. Likelihoods learned by a generative model,
e.g., a normalizing flow via standard log-likelihood training, perform poorly
as an outlier score. We propose to use an unlabelled auxiliary dataset and a
probabilistic outlier score for outlier detection. We use a self-supervised
feature extractor trained on the auxiliary dataset and train a normalizing flow
on the extracted features by maximizing the likelihood on in-distribution data
and minimizing the likelihood on the contrastive dataset. We show that this is
equivalent to learning the normalized positive difference between the
in-distribution and the contrastive feature density. We conduct experiments on
benchmark datasets and compare to the likelihood, the likelihood ratio and
state-of-the-art anomaly detection methods.
- Abstract（参考訳）: トレーニングデータから逸脱したテストデータを検出することは、安全で堅牢な機械学習の中心的な問題である。
生成モデル(例えば、標準的なログライクなトレーニングによる正規化フロー)によって学習される確率は、外れ値スコアとして不十分である。
非ラベル付き補助データセットと確率的外れ値を用いた異常検出を提案する。
補助データセットで訓練された自己教師付き特徴抽出器を用いて, 分布内データの確率を最大化し, 対比的データセットの確率を最小化することにより, 抽出された特徴の正規化フローを訓練する。
これは分布と対照的な特徴密度の正規化正の差を学習することと同値である。
ベンチマークデータセットで実験を行い,その確率,確率比,異常検出法と比較した。
関連論文リスト
- Utilizing dataset affinity prediction in object detection to assess training data [4.508868068781057]
車両データセットのヘテロジニアスプールからサンプルを自動的に選択することで、いわゆるデータセット親和性スコアの利点を示す。
その結果、物体検出器は検出精度を損なうことなく、かなりスペーサーなトレーニングサンプルで訓練できることがわかった。
論文 参考訳（メタデータ） (2023-11-16T10:45:32Z) - Robust Flow-based Conformal Inference (FCI) with Statistical Guarantee [4.821312633849745]
本研究では,予測集合の構築や,複雑なデータや高次元データに対するアウトレイラの推測など,一連の共形推論手法を開発する。
ベンチマークデータセットを用いて,ロバストなフローベース共形推論手法の評価を行った。
論文 参考訳（メタデータ） (2022-05-22T04:17:30Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
アイソメトリーを用いて、多様体学習と密度推定を分離する。
また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
論文 参考訳（メタデータ） (2022-03-08T08:57:43Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Efficient remedies for outlier detection with variational autoencoders [8.80692072928023]
深層生成モデルによって計算される類似度は、ラベルなしデータによる外れ値検出の候補メトリックである。
理論的に定位された補正は、VAE推定値による鍵バイアスを容易に改善することを示す。
また,VAEのアンサンブル上で計算される確率の分散により,ロバストな外乱検出が可能となることを示す。
論文 参考訳（メタデータ） (2021-08-19T16:00:58Z) - InFlow: Robust outlier detection utilizing Normalizing Flows [7.309919829856283]
正規化フローは、敵攻撃を含むアウトリーチを確実に検出できることを示す。
本手法では, トレーニングに外部データを必要としないため, OOD検出の効率性を示す。
論文 参考訳（メタデータ） (2021-06-10T08:42:50Z) - Evaluating State-of-the-Art Classification Models Against Bayes
Optimality [106.50867011164584]
正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。
われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
論文 参考訳（メタデータ） (2021-06-07T06:21:20Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z) - Robust Variational Autoencoder for Tabular Data with Beta Divergence [0.0]
本稿では,連続的特徴と分類的特徴を混合した頑健な変動型オートエンコーダを提案する。
ネットワークトラフィックデータセットの異常検出アプリケーションについて,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2020-06-15T08:09:34Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2019-12-30T17:36:33Z)
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。