論文の概要: Falsehoods that ML researchers believe about OOD detection
- arxiv url: http://arxiv.org/abs/2210.12767v1
- Date: Sun, 23 Oct 2022 16:21:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 13:11:59.980983
- Title: Falsehoods that ML researchers believe about OOD detection
- Title（参考訳）: ML研究者がOOD検出を信じている要因
- Authors: Andi Zhang, Damon Wischik
- Abstract要約: 我々は、密度に基づくOOD検出について機械学習研究者が信じているいくつかの虚偽を列挙する。
我々は、これらのメソッドを統合するためのフレームワーク、OODプロキシ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）: 0.24801933141734633
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modelling the density $p(x)$ by probabilistic generative models is an
intuitive way to detect out-of-distribution (OOD) data, but it fails in the
deep learning context. In this paper, we list some falsehoods that machine
learning researchers believe about density-based OOD detection. Many recent
works have proposed likelihood-ratio-based methods to `fix' this issue. We
propose a framework, the OOD proxy framework, to unify these methods, and we
argue that likelihood ratio is a principled method for OOD detection and not a
mere `fix'. Finally, we discuss the relationship between domain detection and
semantics.
- Abstract（参考訳）: 確率的生成モデルによる密度$p(x)$のモデリングは、分布外データ(OOD)を検出する直感的な方法であるが、ディープラーニングのコンテキストでは失敗する。
本稿では,機械学習研究者が密度に基づくOOD検出について信じる誤りを列挙する。
近年の多くの研究で、この問題を「修正する」ための帰納法が提案されている。
本稿では,これらの手法を統合するためのフレームワークであるOODプロキシフレームワークを提案する。
最後に、ドメイン検出とセマンティクスの関係について論じる。
関連論文リスト
- Semantic or Covariate? A Study on the Intractable Case of Out-of-Distribution Detection [70.57120710151105]
ID分布のセマンティック空間をより正確に定義する。
また,OOD と ID の区別性を保証する "Tractable OOD" の設定も定義する。
論文 参考訳（メタデータ） (2024-11-18T03:09:39Z) - 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) - A Geometric Explanation of the Likelihood OOD Detection Paradox [19.205693812937422]
最小の確率質量を含む場合、高次領域は生成されないことを示す。
本稿では,事前訓練したDGMから得られた可能性とLID推定値とをペアリングするOOD検出手法を提案する。
論文 参考訳（メタデータ） (2024-03-27T18:02:49Z) - 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) - FLatS: Principled Out-of-Distribution Detection with Feature-Based
Likelihood Ratio Score [2.9914612342004503]
FLatSはOOD検出の原理的解法である。
我々は,FLatSが他のOOD検出手法を拡張可能な汎用フレームワークとして機能できることを実証した。
実験の結果、FLatSは人気のあるベンチマークで新しいSOTAを確立している。
論文 参考訳（メタデータ） (2023-10-08T09:16:46Z) - Beyond AUROC & co. for evaluating out-of-distribution detection
performance [50.88341818412508]
安全(r)AIとの関連性を考えると,OOD検出法の比較の基礎が実用的ニーズと整合しているかどうかを検討することが重要である。
我々は,IDとOODの分離が不十分なことを明示する新しい指標であるAUTC(Area Under the Threshold Curve)を提案する。
論文 参考訳（メタデータ） (2023-06-26T12:51:32Z) - Distribution Calibration for Out-of-Domain Detection with Bayesian
Approximation [35.34001858858684]
Out-of-Domain (OOD) はタスク指向のダイアログシステムにおいて重要なコンポーネントである。
従来のソフトマックスに基づく検出アルゴリズムは、OODサンプルに対して過信的であることが証明されている。
我々は,モンテカルロ・ドロップアウトを用いた分布不確実性校正のためのベイズOOD検出フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-14T13:04:09Z) - No True State-of-the-Art? OOD Detection Methods are Inconsistent across
Datasets [69.725266027309]
アウト・オブ・ディストリビューション検出は、信頼できるMLシステムの重要なコンポーネントである。
本研究では,これらの手法が16対の標準セット上でのOOD検出よりも本質的に優れていることを示す。
また、ある(ID, OOD)ペアにおいて他の(ID, OOD)ペアよりも優れる手法は、低データ方式ではそうしない可能性があることを示す。
論文 参考訳（メタデータ） (2021-09-12T16:35:00Z) - 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。