論文の概要: Establishing baselines and introducing TernaryMixOE for fine-grained
out-of-distribution detection
- arxiv url: http://arxiv.org/abs/2303.17658v1
- Date: Thu, 30 Mar 2023 18:44:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 16:16:19.817476
- Title: Establishing baselines and introducing TernaryMixOE for fine-grained
out-of-distribution detection
- Title（参考訳）: 粒径分布検出のためのベースラインの確立とTernaryMixOEの導入
- Authors: Noah Fleischmann, Walter Bennette, Nathan Inkawhich
- Abstract要約: 我々は,OOD検出の微粒化と粗粒化に関する新たな理論的枠組みについて述べる。
本稿では,2つの階層的データセット上でのOODモデルに対する新しいベースラインタスクを提案する。
- 参考スコア（独自算出の注目度）: 5.299719769828893
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning models deployed in the open world may encounter observations
that they were not trained to recognize, and they risk misclassifying such
observations with high confidence. Therefore, it is essential that these models
are able to ascertain what is in-distribution (ID) and out-of-distribution
(OOD), to avoid this misclassification. In recent years, huge strides have been
made in creating models that are robust to this distinction. As a result, the
current state-of-the-art has reached near perfect performance on relatively
coarse-grained OOD detection tasks, such as distinguishing horses from trucks,
while struggling with finer-grained classification, like differentiating models
of commercial aircraft. In this paper, we describe a new theoretical framework
for understanding fine- and coarse-grained OOD detection, we re-conceptualize
fine grained classification into a three part problem, and we propose a new
baseline task for OOD models on two fine-grained hierarchical data sets, two
new evaluation methods to differentiate fine- and coarse-grained OOD
performance, along with a new loss function for models in this task.
- Abstract（参考訳）: オープンワールドにデプロイされた機械学習モデルは、認識する訓練を受けていない観察に遭遇する可能性があり、そのような観測を高い信頼性で誤分類するリスクがある。
したがって、これらのモデルは、この誤分類を避けるために、内分布(id)と外分布(ood)のどちらであるかを確認できることが不可欠である。
近年では、この区別にロバストなモデルを作成する上で大きな進歩を遂げている。
その結果、現在の最先端技術は、トラックと馬を区別するなど、比較的粗いOOD検出タスクにおいて、商業航空機の差別化モデルのようなよりきめ細かい分類に苦しむなど、ほぼ完全なパフォーマンスに達している。
本稿では, 細粒度および粗粒度OOD検出の新たな理論的枠組みについて述べるとともに, 細粒度分類を3つの問題に再概念化し, 細粒度階層データセット上でのOODモデルに対する新しいベースラインタスク, 細粒度と粗粒度OOD性能を区別する2つの新しい評価手法と, モデルに対する新たな損失関数を提案する。
関連論文リスト
- SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳（メタデータ） (2024-07-23T20:34:23Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳（メタデータ） (2023-03-20T14:12:55Z) - Two-step counterfactual generation for OOD examples [3.2689702143620143]
我々は,OOD のデファクトの概念を導入し,異なる OOD カテゴリ間で反復的に移動する摂動データポイントについて紹介する。
そこで本稿では,このようなデファクト生成手法を提案し,その合成およびベンチマークデータへの適用について検討し,様々な指標を用いたベンチマーク手法と比較する。
論文 参考訳（メタデータ） (2023-02-10T11:53:38Z) - FairIF: Boosting Fairness in Deep Learning via Influence Functions with
Validation Set Sensitive Attributes [51.02407217197623]
本稿では,FAIRIFという2段階の学習アルゴリズムを提案する。
サンプル重みが計算される再重み付きデータセットの損失を最小限に抑える。
FAIRIFは、様々な種類のバイアスに対して、フェアネスとユーティリティのトレードオフを良くしたモデルが得られることを示す。
論文 参考訳（メタデータ） (2022-01-15T05:14:48Z) - Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。
この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。
また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2021-10-12T17:58:59Z) - Score-Based Generative Classifiers [9.063815952852783]
生成モデルは、MNISTのような単純なデータセット上で逆向きに堅牢な分類器として使われてきた。
これまでの結果は、データの可能性と分類精度のトレードオフを示唆している。
スコアに基づく生成モデルは,標準的な識別モデルと比較して,分類精度のギャップを埋めていることを示す。
論文 参考訳（メタデータ） (2021-10-01T15:05:33Z) - Enhancing the Generalization for Intent Classification and Out-of-Domain
Detection in SLU [70.44344060176952]
インテント分類は、音声言語理解(SLU)における主要な課題である
近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。
本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
論文 参考訳（メタデータ） (2021-06-28T08:27:38Z) - Estimating the Robustness of Classification Models by the Structure of
the Learned Feature-Space [10.418647759223964]
固定テストセットは、可能なデータバリエーションのごく一部しかキャプチャできないため、制限され、新しい過度なソリューションを生成する傾向にある、と私たちは主張する。
これらの欠点を克服するために、学習した特徴空間の構造から直接モデルのロバスト性を推定することを提案する。
論文 参考訳（メタデータ） (2021-06-23T10:52:29Z) - Towards Consistent Predictive Confidence through Fitted Ensembles [6.371992222487036]
本稿では,OOD実例が存在する場合に,分類器の性能を測定するための分離可能な概念学習フレームワークを提案する。
我々は、より一貫した深層モデルの予測信頼度を高めるために、より強力なベースラインを新たに提示する。
論文 参考訳（メタデータ） (2021-06-22T21:32:31Z) - Robust Out-of-Distribution Detection on Deep Probabilistic Generative
Models [0.06372261626436676]
アウト・オブ・ディストリビューション(OOD)検出は機械学習システムにおいて重要な課題である。
深い確率的生成モデルは、データサンプルの可能性を推定することによって、OODの検出を容易にする。
本稿では,外周露光を伴わない新しい検出指標を提案する。
論文 参考訳（メタデータ） (2021-06-15T06:36:10Z) - Overcoming Classifier Imbalance for Long-tail Object Detection with
Balanced Group Softmax [88.11979569564427]
本報告では, 長期分布前における最先端モデルの過小評価に関する最初の体系的解析を行う。
本稿では,グループワイドトレーニングを通じて検出フレームワーク内の分類器のバランスをとるための,新しいバランス付きグループソフトマックス(BAGS)モジュールを提案する。
非常に最近の長尾大語彙オブジェクト認識ベンチマークLVISの大規模な実験により,提案したBAGSは検出器の性能を著しく向上することが示された。
論文 参考訳（メタデータ） (2020-06-18T10:24:26Z)
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。