論文の概要: Uncertainty-Aware Optimal Transport for Semantically Coherent Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2303.10449v1
• Date: Sat, 18 Mar 2023 16:22:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 19:07:48.359975
• Title: Uncertainty-Aware Optimal Transport for Semantically Coherent Out-of-Distribution Detection
• Title（参考訳）: セマンティクス的コヒーレント分布検出のための不確実性を考慮した最適伝達
• Authors: Fan Lu, Kai Zhu, Wei Zhai, Kecheng Zheng, Yang Cao
• Abstract要約: SCOOD(Semantically coherent out-of-distribution)検出は、ラベルなしの余分な集合にアクセスして、意図したデータ分布からアウトリーチを識別することを目的としている。 分布内および分布外サンプルの共存は、区別されない場合の過剰適合を悪化させる。 提案手法は,セマンティックな表現の割り当てを促進するため,不確実性の変動コストを推定するエネルギーベース輸送機構から構成される。
• 参考スコア（独自算出の注目度）: 18.63223813938397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantically coherent out-of-distribution (SCOOD) detection aims to discern outliers from the intended data distribution with access to unlabeled extra set. The coexistence of in-distribution and out-of-distribution samples will exacerbate the model overfitting when no distinction is made. To address this problem, we propose a novel uncertainty-aware optimal transport scheme. Our scheme consists of an energy-based transport (ET) mechanism that estimates the fluctuating cost of uncertainty to promote the assignment of semantic-agnostic representation, and an inter-cluster extension strategy that enhances the discrimination of semantic property among different clusters by widening the corresponding margin distance. Furthermore, a T-energy score is presented to mitigate the magnitude gap between the parallel transport and classifier branches. Extensive experiments on two standard SCOOD benchmarks demonstrate the above-par OOD detection performance, outperforming the state-of-the-art methods by a margin of 27.69% and 34.4% on FPR@95, respectively.
• Abstract（参考訳）: SCOOD(Semantically coherent out-of-distribution)検出は、ラベルなしの余分な集合にアクセスして、意図したデータ分布からアウトリーチを識別することを目的としている。 分布内および分布外サンプルの共存は、区別されない場合の過剰適合を悪化させる。 この問題に対処するため,我々は新しい不確実性を考慮した最適輸送スキームを提案する。 提案手法は,不確実性の変動コストを推定し,セマンティックな表現の割り当てを促進するエネルギベーストランスポート(ET)機構と,対応するマージン距離を広げることで,異なるクラスタ間のセマンティック特性の識別を強化するクラスタ間拡張戦略とから構成される。 さらに、並列輸送と分類器分岐の間の大きさギャップを軽減するために、Tエネルギースコアが提示される。 2つの標準SCOODベンチマークの大規模な実験は、上記のOOD検出性能を示し、それぞれFPR@95の27.69%と34.4%の差で最先端の手法を上回った。

関連論文リスト

• Likelihood-Aware Semantic Alignment for Full-Spectrum Out-of-Distribution Detection [24.145060992747077]
  画像とテキストの対応を意味的に高次領域に促進する「Likelihood-Aware Semantic Alignment (LSA)フレームワーク」を提案する。 2つのF-OODベンチマークで15.26%$と18.88%$の差で既存の手法を上回り、提案したLSAの優れたOOD検出性能を実証した。
  論文  参考訳（メタデータ） (2023-12-04T08:53:59Z)
• Semi-supervised Semantic Segmentation via Boosting Uncertainty on Unlabeled Data [6.318105712690353]
  トレーニングデータセットにおけるラベル付き分布とラベルなし分布の分析を行う。 本稿では2つの戦略を提案し,特に半教師付きセマンティックセグメンテーションのための不確実性ブースターアルゴリズムを設計する。 提案手法は,従来の半教師付きセマンティックセグメンテーション法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-11-30T18:01:03Z)
• Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
  Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。 現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。 疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T12:59:55Z)
• Characterizing Out-of-Distribution Error via Optimal Transport [15.284665509194134]
  ラベルなしでOODデータ上でモデルの性能を予測する方法は、機械学習の安全性にとって重要である。 最適輸送理論を利用してモデル性能を推定する新しい手法を提案する。 提案手法は既存の最先端手法よりも最大3倍低い予測誤差で大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-25T01:37:13Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)

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。