論文の概要: Plugin estimators for selective classification with out-of-distribution
detection
- arxiv url: http://arxiv.org/abs/2301.12386v4
- Date: Mon, 24 Jul 2023 18:42:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 21:20:24.004632
- Title: Plugin estimators for selective classification with out-of-distribution
detection
- Title(参考訳): out-of-tribution detectionを用いた選択的分類のためのプラグイン推定器
- Authors: Harikrishna Narasimhan, Aditya Krishna Menon, Wittawat Jitkrittum,
Sanjiv Kumar
- Abstract要約: 現実世界の分類器は、信頼性の低いサンプルの予測を控えることの恩恵を受けることができる。
これらの設定は、選択分類(SC)とアウト・オブ・ディストリビューション(OOD)の検出文献において広範囲に研究されている。
OOD検出による選択分類に関する最近の研究は、これらの問題の統一的な研究を議論している。
本稿では,既存の手法を理論的に基礎づけ,有効かつ一般化したSCOD用プラグイン推定器を提案する。
- 参考スコア(独自算出の注目度): 67.28226919253214
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world classifiers can benefit from the option of abstaining from
predicting on samples where they have low confidence. Such abstention is
particularly useful on samples which are close to the learned decision
boundary, or which are outliers with respect to the training sample. These
settings have been the subject of extensive but disjoint study in the selective
classification (SC) and out-of-distribution (OOD) detection literature. Recent
work on selective classification with OOD detection (SCOD) has argued for the
unified study of these problems; however, the formal underpinnings of this
problem are still nascent, and existing techniques are heuristic in nature. In
this paper, we propose new plugin estimators for SCOD that are theoretically
grounded, effective, and generalise existing approaches from the SC and OOD
detection literature. In the course of our analysis, we formally explicate how
na\"{i}ve use of existing SC and OOD detection baselines may be inadequate for
SCOD. We empirically demonstrate that our approaches yields competitive SC and
OOD detection performance compared to baselines from both literatures.
- Abstract(参考訳): 実世界の分類器は、信頼度の低いサンプルの予測を控えるオプションから恩恵を受けることができる。
このような回避は、学習された決定境界に近い、またはトレーニングサンプルに関して外れ値であるサンプルにおいて特に有用である。
これらの設定は、選択分類(SC)とアウト・オブ・ディストリビューション(OOD)の検出文献において広範囲に研究されている。
OOD検出による選択的分類(SCOD)に関する最近の研究は、これらの問題の統一的な研究を議論しているが、この問題の正式な基盤はいまだ初期段階であり、既存の技術は本質的にヒューリスティックである。
本稿では,SC および OOD 検出文献からの既存のアプローチを理論的に基礎づけ,有効かつ一般化した SCOD 用プラグイン推定器を提案する。
解析の過程で,既存のSCおよびOOD検出ベースラインがSCODに不適切である可能性について,na\"{i}"{i} の使用方法を正式に説明する。
両文献のベースラインと比較して,本手法が競合SCおよびOOD検出性能を示すことを示す。
関連論文リスト
- Recent Advances in OOD Detection: Problems and Approaches [40.27656150526273]
Out-of-Distribution(OOD)検出は、トレーニングカテゴリ空間外のテストサンプルを検出することを目的としている。
評価シナリオ,様々な応用,今後の研究方向性について論じる。
論文 参考訳(メタデータ) (2024-09-18T11:30:30Z) - Dissecting Out-of-Distribution Detection and Open-Set Recognition: A Critical Analysis of Methods and Benchmarks [17.520137576423593]
我々は,コミュニティ内の2つの大きなサブフィールドの総合的なビュー – アウト・オブ・ディストリビューション(OOD)検出とオープンセット認識(OSR) – を提供することを目指している。
我々は,OOD検出における最先端手法とOSR設定との厳密な相互評価を行い,それらの手法の性能の強い相関関係を同定する。
我々は,OOD検出とOSRによって取り組まれている問題を解消する,より大規模なベンチマーク設定を提案する。
論文 参考訳(メタデータ) (2024-08-29T17:55:07Z) - Rethinking Out-of-Distribution Detection for Reinforcement Learning: Advancing Methods for Evaluation and Detection [3.7384109981836158]
強化学習(RL)におけるアウト・オブ・ディストリビューション(OOD)検出の問題点について検討する。
本稿では、RLにおけるOOD検出の用語の明確化を提案し、他の機械学習分野の文献と整合する。
OOD検出のための新しいベンチマークシナリオを提案し、エージェント環境ループの異なるコンポーネントに時間的自己相関を伴う異常を導入する。
DEXTERはベンチマークシナリオ間の異常を確実に識別でき、統計から得られた最先端のOOD検出器や高次元変化点検出器と比較して優れた性能を示す。
論文 参考訳(メタデータ) (2024-04-10T15:39:49Z) - EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
本稿では,長い尾を持つOOD検出の課題に対処する。
主な困難は、尾クラスに属するサンプルとOODデータを区別することである。
本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
論文 参考訳(メタデータ) (2023-12-14T13:47:13Z) - 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) - Large Class Separation is not what you need for Relational
Reasoning-based OOD Detection [12.578844450586]
Out-Of-Distribution (OOD) 検出法はセマンティックノベルティを識別して解を提供する。
これらの手法の多くは、既知のデータの学習段階を利用しており、これは正規性の概念を捉えるためのモデル(または微調整)を訓練することを意味する。
実行可能な代替手段は、大きな事前訓練されたモデルによって生成された埋め込み空間の類似性を評価することであり、それ以上の学習は行わない。
論文 参考訳(メタデータ) (2023-07-12T14:10:15Z) - 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) - OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。
この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。
関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
論文 参考訳(メタデータ) (2022-10-13T17:59:57Z) - 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。