Fugu-MT 論文翻訳(概要): A Cosine Similarity-based Method for Out-of-Distribution Detection

論文の概要: A Cosine Similarity-based Method for Out-of-Distribution Detection

arxiv url: http://arxiv.org/abs/2306.14920v1
Date: Fri, 23 Jun 2023 05:02:16 GMT
ステータス: 処理完了
システム内更新日: 2023-06-28 16:08:40.282780
Title: A Cosine Similarity-based Method for Out-of-Distribution Detection
Title（参考訳）: 分布外検出のためのコサイン類似性に基づく手法
Authors: Nguyen Ngoc-Hieu, Nguyen Hung-Quang, The-Anh Ta, Thanh Nguyen-Tang, Khoa D Doan, Hoang Thanh-Tung
Abstract要約: テスト特徴と典型的なID特徴のコサイン類似性がOODデータの優れた指標であることを示す。我々は,コサイン類似度スコアリング関数を用いたポストホックOOD検出アルゴリズムであるクラス定型マッチング(CTM)を提案する。
参考スコア（独自算出の注目度）: 3.0746518949646533
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The ability to detect OOD data is a crucial aspect of practical machine learning applications. In this work, we show that cosine similarity between the test feature and the typical ID feature is a good indicator of OOD data. We propose Class Typical Matching (CTM), a post hoc OOD detection algorithm that uses a cosine similarity scoring function. Extensive experiments on multiple benchmarks show that CTM outperforms existing post hoc OOD detection methods.
Abstract（参考訳）: OODデータを検出する能力は、実用的な機械学習アプリケーションの重要な側面である。本研究では,テスト特徴と典型的なID特徴とのコサイン類似性がOODデータの優れた指標であることを示す。我々は,コサイン類似度スコアリング関数を用いたポストホックOOD検出アルゴリズムであるクラス定型マッチング(CTM)を提案する。複数のベンチマークにおいて、CTMは既存のポストホックOOD検出方法よりも優れていた。

関連論文リスト

Self-Calibrated Tuning of Vision-Language Models for Out-of-Distribution Detection [24.557227100200215]
オープンソースアプリケーションに信頼性の高い機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。近年のCLIPによるOOD検出の進歩は,IDデータから抽出したOOD特徴に即時調整を施すことによって有望な結果を示した。提案手法は,SCT(Self-Calibrated Tuning)と呼ばれる新しいフレームワークで,与えられた数ショットのIDデータのみを用いて効果的なOOD検出を行う。
論文参考訳（メタデータ） (2024-11-05T02:29:16Z)
Margin-bounded Confidence Scores for Out-of-Distribution Detection [2.373572816573706]
本稿では,非自明なOOD検出問題に対処するため,Margin bounded Confidence Scores (MaCS) と呼ばれる新しい手法を提案する。 MaCS は ID と OOD のスコアの差を拡大し、決定境界をよりコンパクトにする。画像分類タスクのための様々なベンチマークデータセットの実験により,提案手法の有効性が示された。
論文参考訳（メタデータ） (2024-09-22T05:40:25Z)
Proto-OOD: Enhancing OOD Object Detection with Prototype Feature Similarity [15.518552332992035]
オフ・オブ・ディストリビューション(OOD)オブジェクト検出に特徴的類似性を利用する。 Proto-OODは、対照的な損失によってプロトタイプの表現性を向上する。負の埋め込み生成器を使用して負の埋め込みを生成し、類似モジュールをトレーニングする。
論文参考訳（メタデータ） (2024-09-09T09:48:27Z)
Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
論文参考訳（メタデータ） (2024-06-14T09:27:56Z)
Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
論文参考訳（メタデータ） (2023-12-14T18:56:07Z)
Classifier-head Informed Feature Masking and Prototype-based Logit Smoothing for Out-of-Distribution Detection [27.062465089674763]
ニューラルネットワークを現実世界にデプロイする際には、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 1つの大きな課題は、ニューラルネットワークがOODデータに対して過信的な予測をすることです。本稿では,新しい特徴マスキング戦略と新しいロジット平滑化戦略に基づく,効果的なポストホックOOD検出手法を提案する。
論文参考訳（メタデータ） (2023-10-27T12:42:17Z)
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)
Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric Perspective [55.45202687256175]
アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。本稿では,OOD検出における教師なし評価問題を初めて紹介する。我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
論文参考訳（メタデータ） (2023-02-16T13:34:35Z)
Breaking Down Out-of-Distribution Detection: Many Methods Based on OOD Training Data Estimate a Combination of the Same Core Quantities [104.02531442035483]
本研究の目的は,OOD検出手法の暗黙的なスコアリング機能を識別すると同時に,共通の目的を認識することである。内分布と外分布の2値差はOOD検出問題のいくつかの異なる定式化と等価であることを示す。また, 外乱露光で使用される信頼損失は, 理論上最適のスコアリング関数と非自明な方法で異なる暗黙的なスコアリング関数を持つことを示した。
論文参考訳（メタデータ） (2022-06-20T16:32:49Z)
Exploring Covariate and Concept Shift for Detection and Calibration of Out-of-Distribution Data [77.27338842609153]
キャラクタリゼーションにより、OODデータの検出と信頼性校正には、それぞれのシフトに対する感度が重要であることが明らかになった。分布内データのみを用いて両シフトでのOOD検出を改善するために,幾何学的に着想を得た手法を提案する。我々は,OOD検出とキャリブレーションの両面で,異なるタイプのシフトの下でうまく機能する手法を最初に提案する。
論文参考訳（メタデータ） (2021-10-28T15:42:55Z)
Contrastive Training for Improved Out-of-Distribution Detection [36.61315534166451]
本稿では,OOD検出性能向上のためのコントラストトレーニングを提案する。コントラストトレーニングは,多くのベンチマークにおいてOOD検出性能を著しく向上させることを示す。
論文参考訳（メタデータ） (2020-07-10T18:40:37Z)

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。