論文の概要: Boosting Out-of-distribution Detection with Typical Features
- arxiv url: http://arxiv.org/abs/2210.04200v1
- Date: Sun, 9 Oct 2022 08:44:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 17:28:57.029129
- Title: Boosting Out-of-distribution Detection with Typical Features
- Title（参考訳）: 特徴量を用いた分布外検出の高速化
- Authors: Yao Zhu, YueFeng Chen, Chuanlong Xie, Xiaodan Li, Rong Zhang, Hui Xue,
Xiang Tian, bolun zheng, Yaowu Chen
- Abstract要約: オフ・オブ・ディストリビューション(OOD)検出は、現実世界のシナリオにおけるディープニューラルネットワークの信頼性と安全性を保証するための重要なタスクである。
本稿では,その特徴を定式化してOODスコアを定式化して,信頼性の高い不確実性推定を実現することを提案する。
一般的なベンチマーク(CIFAR)と大きなラベル空間を持つ高解像度ベンチマーク(ImageNet)の両方において,本手法の優位性を評価する。
- 参考スコア（独自算出の注目度）: 22.987563801433595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-distribution (OOD) detection is a critical task for ensuring the
reliability and safety of deep neural networks in real-world scenarios.
Different from most previous OOD detection methods that focus on designing OOD
scores or introducing diverse outlier examples to retrain the model, we delve
into the obstacle factors in OOD detection from the perspective of typicality
and regard the feature's high-probability region of the deep model as the
feature's typical set. We propose to rectify the feature into its typical set
and calculate the OOD score with the typical features to achieve reliable
uncertainty estimation. The feature rectification can be conducted as a
{plug-and-play} module with various OOD scores. We evaluate the superiority of
our method on both the commonly used benchmark (CIFAR) and the more challenging
high-resolution benchmark with large label space (ImageNet). Notably, our
approach outperforms state-of-the-art methods by up to 5.11$\%$ in the average
FPR95 on the ImageNet benchmark.
- Abstract（参考訳）: out-of-distribution(ood)検出は、現実世界のシナリオにおけるディープニューラルネットワークの信頼性と安全性を保証する上で重要なタスクである。
OODのスコアを設計したり、モデルを再トレーニングするために様々なアウトリーな例を導入したりする従来のOOD検出方法とは違って、OOD検出における障害要因を典型性の観点から掘り下げ、特徴モデルの高確率領域を特徴の典型的なセットとみなす。
本稿では,その特徴を定式化してOODスコアを定式化して信頼性の高い不確実性推定を実現することを提案する。
機能修正は、様々なOODスコアを持つ {plug-and-play} モジュールとして行うことができる。
本稿では,CIFARと大規模ラベル空間を持つ高精細度ベンチマーク(ImageNet)の両方において,本手法の優位性を評価する。
特に,この手法は,ImageNetベンチマークの平均FPR95において,最先端の手法よりも5.11$\%高い性能を示す。
関連論文リスト
- The Best of Both Worlds: On the Dilemma of Out-of-distribution Detection [75.65876949930258]
アウト・オブ・ディストリビューション(OOD)検出はモデル信頼性に不可欠である。
我々は,OODの一般化能力を秘かに犠牲にすることで,最先端手法のOOD検出性能が向上することを示す。
論文 参考訳（メタデータ） (2024-10-12T07:02:04Z) - Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。
Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。
複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
論文 参考訳（メタデータ） (2023-11-28T02:00:47Z) - OpenOOD v1.5: Enhanced Benchmark for Out-of-Distribution Detection [82.85303878718207]
アウト・オブ・ディストリビューション(OOD)検出は、オープンワールド・インテリジェントシステムの信頼性の高い運用に不可欠である。
本稿では,OOD検出手法の精度,標準化,ユーザフレンドリな評価を保証したOpenOOD v1.5を提案する。
論文 参考訳（メタデータ） (2023-06-15T17:28:00Z) - 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) - Block Selection Method for Using Feature Norm in Out-of-distribution
Detection [5.486046841722322]
特徴マップのノルムであるFeatureNormと、IDとOODに対するFeatureNormの比率であるNormRatioからなるフレームワークを提案する。
特に、IDのFeatureNormとOODのFeatureNormの最大の違いを提供するブロックを選択するために、IDトレーニングサンプルから擬似OODとしてJigsawパズルイメージを作成し、NormRatioを計算する。
適切なブロックが選択された後、FeatureNormによるOOD検出は、CIFAR10ベンチマークでFPR95を52.77%、最大48.53%削減することで、他のOOD検出方法より優れている。
論文 参考訳（メタデータ） (2022-12-05T14:19:21Z) - Towards Realistic Out-of-Distribution Detection: A Novel Evaluation
Framework for Improving Generalization in OOD Detection [14.541761912174799]
本稿では,OOD(Out-of-Distribution)検出のための新しい評価フレームワークを提案する。
より現実的な設定で機械学習モデルのパフォーマンスを評価することを目的としている。
論文 参考訳（メタデータ） (2022-11-20T07:30:15Z) - On the Usefulness of Deep Ensemble Diversity for Out-of-Distribution
Detection [7.221206118679026]
ディープラーニングの安全性クリティカルな応用において、OOD(Out-of-Distribution)データを検出する能力が重要である。
この文献の既存の直観は、ディープ・アンサンブルの予測の多様性は分布シフトを示しているということである。
ImageNet-scale OOD 検出では,この直観が有効でないことを示す。
論文 参考訳（メタデータ） (2022-07-15T15:02:38Z) - ReAct: Out-of-distribution Detection With Rectified Activations [20.792140933660075]
オフ・オブ・ディストリビューション (OOD) 検出は, 実用的重要性から近年注目されている。
主な課題の1つは、モデルがしばしばOODデータに対して高い信頼性の予測を生成することである。
我々は,OODデータに対するモデル過信を低減するためのシンプルで効果的な手法であるReActを提案する。
論文 参考訳（メタデータ） (2021-11-24T21:02:07Z) - Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。
本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。
このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
論文 参考訳（メタデータ） (2021-06-08T11:40:49Z) - 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。