論文の概要: Feed Two Birds with One Scone: Exploiting Wild Data for Both Out-of-Distribution Generalization and Detection

• arxiv url: http://arxiv.org/abs/2306.09158v1
• Date: Thu, 15 Jun 2023 14:32:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 14:25:10.382199
• Title: Feed Two Birds with One Scone: Exploiting Wild Data for Both Out-of-Distribution Generalization and Detection
• Title（参考訳）: 1羽の巣を持つ2羽の餌:分布外一般化と検出のための野生データの爆発
• Authors: Haoyue Bai, Gregory Canal, Xuefeng Du, Jeongyeol Kwon, Robert Nowak, Yixuan Li
• Abstract要約: そこで本稿では,未ラベルのデータを野生で自由に利用できるように活用する,マージンベースの学習フレームワークを提案する。 我々は,提案した限界制約がOOD一般化と検出の両方を達成する鍵であることを実証的および理論的に示す。
• 参考スコア（独自算出の注目度）: 31.68755583314898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern machine learning models deployed in the wild can encounter both covariate and semantic shifts, giving rise to the problems of out-of-distribution (OOD) generalization and OOD detection respectively. While both problems have received significant research attention lately, they have been pursued independently. This may not be surprising, since the two tasks have seemingly conflicting goals. This paper provides a new unified approach that is capable of simultaneously generalizing to covariate shifts while robustly detecting semantic shifts. We propose a margin-based learning framework that exploits freely available unlabeled data in the wild that captures the environmental test-time OOD distributions under both covariate and semantic shifts. We show both empirically and theoretically that the proposed margin constraint is the key to achieving both OOD generalization and detection. Extensive experiments show the superiority of our framework, outperforming competitive baselines that specialize in either OOD generalization or OOD detection. Code is publicly available at https://github.com/deeplearning-wisc/scone.
• Abstract（参考訳）: 野生に展開された現代の機械学習モデルは、共変量シフトとセマンティックシフトの両方に遭遇し、それぞれがアウト・オブ・ディストリビューション(OOD)の一般化とOOD検出の問題を引き起こす。 どちらの問題も近年大きな研究の注目を集めているが、それぞれ独立して研究されている。 この2つのタスクには相反する目標があるため、これは驚くことではありません。 本稿では, セマンティックシフトを頑健に検出しつつ, 共変量シフトを同時に一般化できる新しい統一的アプローチを提案する。 本研究では,共変量とセマンティックシフトの両条件下で環境テスト時間OOD分布をキャプチャする,未ラベルデータを野生で自由に利用するためのマージンベースの学習フレームワークを提案する。 我々は,提案した限界制約がOOD一般化と検出の両方を達成する鍵であることを示す。 OODの一般化やOODの検出に特化する競争ベースラインを上回る,我々のフレームワークの優位性を示す大規模な実験を行った。 コードはhttps://github.com/deeplearning-wisc/sconeで公開されている。

関連論文リスト

• 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)
• AHA: Human-Assisted Out-of-Distribution Generalization and Detection [10.927973527794155]
  本稿では,AHA(Adaptive Human-Assisted OOD learning)の新たな統合的アプローチを提案する。 OODの一般化と、野生のデータのラベル付けによる人力支援フレームワークによる検出の両方に対処する。 本手法は,人的援助を伴わない既存の最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-10-10T14:57:11Z)
• Bridging OOD Detection and Generalization: A Graph-Theoretic View [21.84304334604601]
  OODの一般化と検出の両問題に対処するためのグラフ理論フレームワークを提案する。 グラフ定式化を利用すると、グラフの隣接行列の分解によってデータ表現が得られる。 経験的結果は既存の手法と比較して競争性能を示す。
  論文  参考訳（メタデータ） (2024-09-26T18:35:51Z)
• CRoFT: Robust Fine-Tuning with Concurrent Optimization for OOD Generalization and Open-Set OOD Detection [42.33618249731874]
  トレーニングデータにおけるエネルギースコアの最大化は、ドメイン一貫性のあるヘッセンの分類損失につながることを示す。 我々は,両タスクの同時最適化を可能にする統合された微調整フレームワークを開発した。
  論文  参考訳（メタデータ） (2024-05-26T03:28:59Z)
• Out-of-Distribution Data: An Acquaintance of Adversarial Examples -- A Survey [7.891552999555933]
  現実世界のアプリケーションにデプロイされるディープニューラルネットワーク(DNN)は、アウト・オブ・ディストリビューション(OOD)データや敵の例に遭遇する可能性がある。 伝統的に、OODの検出と敵の堅牢性は別の課題として対処されてきた。 本調査は, この2つの領域の交点に着目し, 研究コミュニティが共同研究を行った経緯について考察する。
  論文  参考訳（メタデータ） (2024-04-08T06:27:38Z)
• How Does Unlabeled Data Provably Help Out-of-Distribution Detection? [63.41681272937562]
  in-distribution (ID) とout-of-distribution (OOD) の両データの不均一性のため、未ラベルの in-the-wild データは非自明である。 本稿では,理論的保証と実証的有効性の両方を提供する新たな学習フレームワークであるSAL(Separate And Learn)を紹介する。
  論文  参考訳（メタデータ） (2024-02-05T20:36:33Z)
• 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)
• Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
  データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。 我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。 BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
  論文  参考訳（メタデータ） (2023-10-02T17:39:58Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Adversarial Robustness under Long-Tailed Distribution [93.50792075460336]
  敵対的ロバスト性はディープネットワークの脆弱性と本質的特徴を明らかにすることで近年広く研究されている。 本研究では,長尾分布下における敵対的脆弱性と防御について検討する。 我々は、スケール不変とデータ再分散という2つの専用モジュールからなるクリーンで効果的なフレームワークであるRoBalを提案する。
  論文  参考訳（メタデータ） (2021-04-06T17:53:08Z)

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。