Fugu-MT 論文翻訳(概要): CADet: Fully Self-Supervised Anomaly Detection With Contrastive Learning

論文の概要: CADet: Fully Self-Supervised Anomaly Detection With Contrastive Learning

arxiv url: http://arxiv.org/abs/2210.01742v1
Date: Tue, 4 Oct 2022 17:02:37 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 13:39:13.932537
Title: CADet: Fully Self-Supervised Anomaly Detection With Contrastive Learning
Title（参考訳）: CADet:コントラスト学習による完全自己監督型異常検出
Authors: Charles Guille-Escuret, Pau Rodriguez, David Vazquez, Ioannis Mitliagkas, Joao Monteiro
Abstract要約: 本研究では,2種類のOODサンプルの同時検出に対する自己教師付きコントラスト学習の適用について検討する。比較学習で訓練された類似性関数は,MMD (maximum mean discrepancy) の2サンプルテストで活用できることを示す。本稿では,画像拡張に基づくCADetを導入し,単一のサンプルに対して異常検出を行う。
参考スコア（独自算出の注目度）: 11.897976063005315
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Handling out-of-distribution (OOD) samples has become a major stake in the real-world deployment of machine learning systems. This work explores the application of self-supervised contrastive learning to the simultaneous detection of two types of OOD samples: unseen classes and adversarial perturbations. Since in practice the distribution of such samples is not known in advance, we do not assume access to OOD examples. We show that similarity functions trained with contrastive learning can be leveraged with the maximum mean discrepancy (MMD) two-sample test to verify whether two independent sets of samples are drawn from the same distribution. Inspired by this approach, we introduce CADet (Contrastive Anomaly Detection), a method based on image augmentations to perform anomaly detection on single samples. CADet compares favorably to adversarial detection methods to detect adversarially perturbed samples on ImageNet. Simultaneously, it achieves comparable performance to unseen label detection methods on two challenging benchmarks: ImageNet-O and iNaturalist. CADet is fully self-supervised and requires neither labels for in-distribution samples nor access to OOD examples.
Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)サンプルの処理は、機械学習システムの現実的な展開において大きな関心を集めている。本研究は,自己教師付きコントラスト学習(self-supervised contrastive learning)の2種類のoodサンプルの同時検出への応用について検討する。実際にそのようなサンプルの分布は事前に分かっていないので、OODの例へのアクセスを前提としない。比較学習で訓練された類似性関数は,2つの独立したサンプル集合が同一分布から引き出されるかどうかを検証するために,最大平均誤差(MMD)2サンプルテストで活用できることを示す。このアプローチに触発されて,単一のサンプルに対して異常検出を行うために,画像拡張に基づくcadet(contrastive anomaly detection)を導入する。 CADetは、ImageNet上の逆摂動サンプルを検出する逆検出法と好意的に比較する。同時に、ImageNet-OとiNaturalistという2つの困難なベンチマークで、未確認のラベル検出手法と同等のパフォーマンスを達成する。 CADetは完全に自己管理されており、分布内サンプルのラベルもOODのサンプルへのアクセスも必要としない。

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)
Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
論文参考訳（メタデータ） (2024-09-05T02:58:13Z)
Out-of-Distribution Detection with a Single Unconditional Diffusion Model [54.15132801131365]
アウト・オブ・ディストリビューション(OOD)検出は、異常サンプルを特定しようとする機械学習において重要なタスクである。従来、教師なし手法はOOD検出に深い生成モデルを用いていた。本稿では,単一モデルが多様なタスクに対してOOD検出を行うことができるかどうかを考察する。
論文参考訳（メタデータ） (2024-05-20T08:54:03Z)
General-Purpose Multi-Modal OOD Detection Framework [5.287829685181842]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習(ML)システムの安全性と信頼性を保証するために重要なトレーニングデータとは異なるテストサンプルを特定する。本稿では,2値分類器とコントラスト学習コンポーネントを組み合わせた,汎用的な弱教師付きOOD検出フレームワークWOODを提案する。提案したWOODモデルを複数の実世界のデータセット上で評価し、実験結果により、WOODモデルがマルチモーダルOOD検出の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-07-24T18:50:49Z)
Cluster-aware Contrastive Learning for Unsupervised Out-of-distribution Detection [0.0]
教師なしアウト・オブ・ディストリビューション(OOD)検出は、ラベル情報なしでトレーニングデータの分布外に落下するサンプルを分離することを目的としている。本稿では,インスタンスレベルの情報と意味レベルの情報の両方を考慮した,教師なしOOD検出のためのクラスタ対応コントラスト学習(CCL)フレームワークを提案する。
論文参考訳（メタデータ） (2023-02-06T07:21:03Z)
Breaking Down Out-of-Distribution Detection: Many Methods Based on OOD Training Data Estimate a Combination of the Same Core Quantities [104.02531442035483]
本研究の目的は,OOD検出手法の暗黙的なスコアリング機能を識別すると同時に,共通の目的を認識することである。内分布と外分布の2値差はOOD検出問題のいくつかの異なる定式化と等価であることを示す。また, 外乱露光で使用される信頼損失は, 理論上最適のスコアリング関数と非自明な方法で異なる暗黙的なスコアリング関数を持つことを示した。
論文参考訳（メタデータ） (2022-06-20T16:32:49Z)
Understanding, Detecting, and Separating Out-of-Distribution Samples and Adversarial Samples in Text Classification [80.81532239566992]
本稿では,2種類の異常 (OOD と Adv のサンプル) と,3つの側面の内分布 (ID) を比較した。 OODサンプルは第1層から始まる収差を露呈するが,Advサンプルの異常はモデル深層まで出現しない。隠れ表現と出力確率を用いて,ID,OOD,Advのサンプルを分離する簡単な手法を提案する。
論文参考訳（メタデータ） (2022-04-09T12:11:59Z)
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)
WOOD: Wasserstein-based Out-of-Distribution Detection [6.163329453024915]
ディープ・ニューラル・ネットワークに基づく分類器のトレーニングデータは、通常同じ分布からサンプリングされる。トレーニングサンプルから遠く離れた分布からテストサンプルの一部を引き出すと、トレーニングされたニューラルネットワークはこれらのOODサンプルに対して高い信頼性の予測を行う傾向にある。本稿では,これらの課題を克服するため,Wasserstein を用いたアウト・オブ・ディストリビューション検出(WOOD)手法を提案する。
論文参考訳（メタデータ） (2021-12-13T02:35:15Z)
Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
論文参考訳（メタデータ） (2021-08-12T09:14:44Z)
Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
論文参考訳（メタデータ） (2020-12-10T16:55:13Z)

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。