論文の概要: End-to-End Out-of-distribution Detection with Self-supervised Sampling
- arxiv url: http://arxiv.org/abs/2307.00519v1
- Date: Sun, 2 Jul 2023 09:02:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 15:36:02.766859
- Title: End-to-End Out-of-distribution Detection with Self-supervised Sampling
- Title（参考訳）: 自己教師型サンプリングによる分布終端検出
- Authors: Sen Pei, Jiaxi Sun, Peng Qin, Qi Chen, Xinglong Wu, Xun Wang
- Abstract要約: アウト・オブ・ディストリビューション(OOD)検出は、オープンワールドにおける未知のデータを特定するために、クローズドセットでトレーニングされたモデルに権限を与える。
我々は,OOD検出のための自己教師付きサンプリング(SSOD)という,多くの既存手法とOODデータフリーモデルを解釈するための一般的な確率的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）: 21.46276395037391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-distribution (OOD) detection empowers the model trained on the closed
set to identify unknown data in the open world. Though many prior techniques
have yielded considerable improvements, two crucial obstacles still remain.
Firstly, a unified perspective has yet to be presented to view the developed
arts with individual designs, which is vital for providing insights into the
related directions. Secondly, most research focuses on the post-processing
schemes of the pre-trained features while disregarding the superiority of
end-to-end training, dramatically limiting the upper bound of OOD detection. To
tackle these issues, we propose a general probabilistic framework to interpret
many existing methods and an OOD-data-free model, namely Self-supervised
Sampling for OOD Detection (SSOD), to unfold the potential of end-to-end
learning. SSOD efficiently exploits natural OOD signals from the
in-distribution (ID) data based on the local property of convolution. With
these supervisions, it jointly optimizes the OOD detection and conventional ID
classification. Extensive experiments reveal that SSOD establishes competitive
state-of-the-art performance on many large-scale benchmarks, where it
outperforms the most recent approaches, such as KNN, by a large margin, e.g.,
48.99% to 35.52% on SUN at FPR95.
- Abstract（参考訳）: out-of-distribution (ood) 検出は、オープンワールドで未知のデータを特定するためにクローズドセットでトレーニングされたモデルを強化する。
多くの先行技術は大幅に改善されたが、2つの重要な障害が残っている。
第一に、先進的な芸術を個々のデザインで見るための統一的な視点はまだ提示されておらず、関連する方向についての洞察を提供するのに不可欠である。
第2に、ほとんどの研究は、事前訓練された特徴の処理後のスキームに着目し、エンドツーエンドトレーニングの優位性を無視し、ood検出の上限を劇的に制限する。
そこで本研究では,既存の手法を多用する一般的な確率的枠組みと,ood検出のための自己教師ありサンプリング(ssod)モデルを提案し,エンドツーエンド学習の可能性を明らかにする。
SSODは、畳み込みの局所特性に基づいて、IDデータから自然のOOD信号を効率的に活用する。
これらの監視により、OOD検出と従来のID分類を共同で最適化する。
広範な実験の結果、SSODは多くの大規模ベンチマークにおいて競争力のある最先端性能を確立しており、KNNのような最近のアプローチでは48.99%から35.52%の差でFPR95でSUNを上回っていることが明らかになった。
関連論文リスト
- Non-Linear Outlier Synthesis for Out-of-Distribution Detection [5.019613806273252]
本稿では,拡散モデル埋め込み空間で直接操作することで,合成外乱器の品質を向上させるNCISを提案する。
これらの改良により,標準的な ImageNet100 および CIFAR100 ベンチマークにおいて,最先端の OOD 検出結果が得られた。
論文 参考訳（メタデータ） (2024-11-20T09:47:29Z) - Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。
テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。
SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
論文 参考訳（メタデータ） (2024-09-08T17:28:22Z) - HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection [78.47008997035158]
グラフデータはより多様性を示すが、摂動に対する堅牢性は低く、外れ値の統合を複雑にする。
我々は、グラフOOD検出性能を改善するために、textbfHybrid外部および内部の textbfGraph textbfOutlier textbfExposure (HGOE) の導入を提案する。
論文 参考訳（メタデータ） (2024-07-31T16:55:18Z) - OAL: Enhancing OOD Detection Using Latent Diffusion [5.357756138014614]
Outlier Aware Learning (OAL)フレームワークは、潜伏空間で直接OODトレーニングデータを合成する。
In-Distribution (ID) と収集したOOD特徴の区別を増幅する相互情報に基づくコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-06-24T11:01:43Z) - 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) - Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。
Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。
複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
論文 参考訳（メタデータ） (2023-11-28T02:00:47Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - Training OOD Detectors in their Natural Habitats [31.565635192716712]
アウト・オブ・ディストリビューション(OOD)検出は、野生にデプロイされた機械学習モデルにとって重要である。
近年の手法では,OOD検出の改善のために補助外乱データを用いてモデルを正規化している。
我々は、自然にIDとOODの両方のサンプルで構成される野生の混合データを活用する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T15:38:39Z) - 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)
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。