論文の概要: Unified Out-Of-Distribution Detection: A Model-Specific Perspective
- arxiv url: http://arxiv.org/abs/2304.06813v2
- Date: Fri, 3 Nov 2023 18:03:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 23:06:44.841382
- Title: Unified Out-Of-Distribution Detection: A Model-Specific Perspective
- Title（参考訳）: Unified Out-Of-Distribution Detection: A Model-Specific Perspective
- Authors: Reza Averly, Wei-Lun Chao
- Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、トレーニング分布に属さないテスト例を特定することを目的としている。
我々は、OOD検出を広い範囲で研究するための、新しい統一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）: 31.68704233156108
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Out-of-distribution (OOD) detection aims to identify test examples that do
not belong to the training distribution and are thus unlikely to be predicted
reliably. Despite a plethora of existing works, most of them focused only on
the scenario where OOD examples come from semantic shift (e.g., unseen
categories), ignoring other possible causes (e.g., covariate shift). In this
paper, we present a novel, unifying framework to study OOD detection in a
broader scope. Instead of detecting OOD examples from a particular cause, we
propose to detect examples that a deployed machine learning model (e.g., an
image classifier) is unable to predict correctly. That is, whether a test
example should be detected and rejected or not is ``model-specific''. We show
that this framework unifies the detection of OOD examples caused by semantic
shift and covariate shift, and closely addresses the concern of applying a
machine learning model to uncontrolled environments. We provide an extensive
analysis that involves a variety of models (e.g., different architectures and
training strategies), sources of OOD examples, and OOD detection approaches,
and reveal several insights into improving and understanding OOD detection in
uncontrolled environments.
- Abstract（参考訳）: out-of-distribution (ood)検出は、トレーニング分布に属さず、確実に予測できないテスト例を特定することを目的としている。
既存の研究の多さにもかかわらず、そのほとんどは、OODの例が意味的シフト(例:見えないカテゴリー)から来るシナリオにのみ焦点を合わせ、他の可能な原因(例:共変量シフト)を無視した。
本稿では,より広い範囲でood検出を研究するための新しい統一フレームワークを提案する。
特定の原因からOODの例を検出する代わりに、デプロイされた機械学習モデル(例えば、画像分類器)が正しく予測できない例を検出することを提案する。
つまり、テスト例を検出して拒否すべきかどうかが ``model-specific'' である。
このフレームワークは,意味的シフトと共変量シフトによって生じるoodサンプルの検出を統一し,非制御環境に機械学習モデルを適用することの懸念に密着している。
我々は、様々なモデル(例えば、異なるアーキテクチャやトレーニング戦略)、OODサンプルのソース、OOD検出アプローチを含む広範な分析を行い、制御されていない環境でのOOD検出の改善と理解に関する洞察を明らかにする。
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) - Expecting The Unexpected: Towards Broad Out-Of-Distribution Detection [9.656342063882555]
5種類の分布変化について検討し,OOD検出手法の性能評価を行った。
その結果,これらの手法は未知のクラスの検出に優れるが,他のタイプの分散シフトに遭遇した場合,その性能は不整合であることがわかった。
我々は、より一貫性があり包括的なOOD検出ソリューションを提供するアンサンブルアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-22T14:52:44Z) - General-Purpose Multi-Modal OOD Detection Framework [5.287829685181842]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習(ML)システムの安全性と信頼性を保証するために重要なトレーニングデータとは異なるテストサンプルを特定する。
本稿では,2値分類器とコントラスト学習コンポーネントを組み合わせた,汎用的な弱教師付きOOD検出フレームワークWOODを提案する。
提案したWOODモデルを複数の実世界のデータセット上で評価し、実験結果により、WOODモデルがマルチモーダルOOD検出の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-24T18:50:49Z) - SR-OOD: Out-of-Distribution Detection via Sample Repairing [48.272537939227206]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習モデルの信頼性と堅牢性を保証するための重要なタスクである。
近年の研究では、生成モデルはOODサンプルに高い信頼度を割り当てることがしばしばあり、データのセマンティックな情報を捕捉できないことが示されている。
我々は,サンプル修復の利点を生かし,新しいOOD検出フレームワーク,SR-OODを提案する。
本フレームワークは,OOD検出における最先端な生成手法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2023-05-26T16:35:20Z) - Pseudo-OOD training for robust language models [78.15712542481859]
OOD検出は、あらゆる産業規模のアプリケーションに対する信頼性の高い機械学習モデルの鍵となるコンポーネントである。
In-distribution(IND)データを用いて擬似OODサンプルを生成するPOORE-POORE-POSthoc pseudo-Ood Regularizationを提案する。
我々は3つの現実世界の対話システムに関する枠組みを広く評価し、OOD検出における新たな最先端技術を実現した。
論文 参考訳（メタデータ） (2022-10-17T14:32:02Z) - 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) - 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) - Detecting Out-of-Distribution Examples with In-distribution Examples and
Gram Matrices [8.611328447624679]
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(Out-of-Distribution)の例で示すと、信頼性と誤った予測をもたらす。
本稿では,行動パターンとクラス予測の不整合を識別し,OODのサンプルを検出することを提案する。
グラム行列による活動パターンの特徴付けとグラム行列値の異常の同定により,高いOOD検出率が得られることがわかった。
論文 参考訳（メタデータ） (2019-12-28T19:44:03Z)
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。