論文の概要: Out-of-distribution detection using normalizing flows on the data manifold

• arxiv url: http://arxiv.org/abs/2308.13792v2
• Date: Wed, 29 Jan 2025 12:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-30 15:52:11.517763
• Title: Out-of-distribution detection using normalizing flows on the data manifold
• Title（参考訳）: データ多様体上の正規化フローを用いた分布外検出
• Authors: Seyedeh Fatemeh Razavi, Mohammad Mahdi Mehmanchi, Reshad Hosseini, Mostafa Tavassolipour,
• Abstract要約: データ複雑度の推定を考慮に入れながら、多様体学習を取り入れることで、正規化フローの分布外検出能力が向上することを示す。 この改善は、トレーニング中にモデル構造を変更したり、補助的なアウト・オブ・ディストリビューションデータを使用することなく達成される。
• 参考スコア（独自算出の注目度）: 3.409873726183299
• License:
• Abstract: Using the intuition that out-of-distribution data have lower likelihoods, a common approach for out-of-distribution detection involves estimating the underlying data distribution. Normalizing flows are likelihood-based generative models providing a tractable density estimation via dimension-preserving invertible transformations. Conventional normalizing flows are prone to fail in out-of-distribution detection, because of the well-known curse of dimensionality problem of the likelihood-based models. To solve the problem of likelihood-based models, some works try to modify likelihood for example by incorporating a data complexity measure. We observed that these modifications are still insufficient. According to the manifold hypothesis, real-world data often lie on a low-dimensional manifold. Therefore, we proceed by estimating the density on a low-dimensional manifold and calculating a distance from the manifold as a measure for out-of-distribution detection. We propose a powerful criterion that combines this measure with the modified likelihood measure based on data complexity. Extensive experimental results show that incorporating manifold learning while accounting for the estimation of data complexity improves the out-of-distribution detection ability of normalizing flows. This improvement is achieved without modifying the model structure or using auxiliary out-of-distribution data during training.
• Abstract（参考訳）: アウト・オブ・ディストリビューションデータが低い確率を持つという直感を用いることで、アウト・オブ・ディストリビューション検出の一般的なアプローチは、基礎となるデータ分布を推定する。 正規化フローは、次元保存可能可逆変換によるトラクタブル密度推定を提供する可能性に基づく生成モデルである。 従来の正規化フローは、確率ベースモデルの次元問題に対するよく知られた呪いのため、分布外検出で失敗しがちである。 可能性に基づくモデルの問題を解決するために、データ複雑性尺度を組み込むことで、例えば、可能性を変更する研究もある。 これらの修正はいまだに不十分である。 多様体仮説によれば、実世界のデータはしばしば低次元多様体上に存在する。 したがって、低次元多様体上の密度を推定し、分布外検出の尺度として多様体からの距離を計算する。 本稿では,この尺度とデータ複雑性に基づく修正された可能性尺度を組み合わせた強力な基準を提案する。 実験結果から,データ複雑度推定における多様体学習の導入により,正規化フローの分布外検出能力が向上することが示唆された。 この改善は、トレーニング中にモデル構造を変更したり、補助的なアウト・オブ・ディストリビューションデータを使用することなく達成される。

関連論文リスト

• GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
  拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。 世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。 本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
  論文  参考訳（メタデータ） (2024-06-11T17:27:23Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Convolutional Filtering on Sampled Manifolds [122.06927400759021]
  サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。 本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
  論文  参考訳（メタデータ） (2022-11-20T19:09:50Z)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• Joint Manifold Learning and Density Estimation Using Normalizing Flows [4.939777212813711]
  問題に答えるために,1ピクセルあたりのペナル化と階層的トレーニングという2つのアプローチを導入する。 そこで本稿では,変換された空間をアンタングル化することで,共同多様体学習と密度推定を行う一段階法を提案する。 その結果, 共用多様体学習と密度推定において, 提案手法の優位性を検証した。
  論文  参考訳（メタデータ） (2022-06-07T13:35:14Z)
• Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
  アイソメトリーを用いて、多様体学習と密度推定を分離する。 また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2022-03-08T08:57:43Z)
• Resampling Base Distributions of Normalizing Flows [0.0]
  学習された拒絶サンプリングに基づいて,フローを正規化するためのベース分布を導入する。 ログライクリフの最大化と逆Kulback-Leibler分散の最適化の両方を用いて、適切な学習アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-10-29T14:44:44Z)
• Tractable Density Estimation on Learned Manifolds with Conformal Embedding Flows [0.0]
  正規化フローは、単純な基底分布を複素対象分布に変換することにより、トラクタブル密度推定を提供する。 この問題を治療するための最近の試みは、正確な密度推定という、フローを正規化するという中心的な利益を損なう幾何学的な合併症を導入している。 我々は、訓練可能な共形埋め込みで標準流れを構成することが、多様体が支持するデータをモデル化する最も自然な方法であると主張する。
  論文  参考訳（メタデータ） (2021-06-09T18:00:00Z)
• Rectangular Flows for Manifold Learning [38.63646804834534]
  正規化フローは、トラクタブル・オブ・ボリューム項を持つ可逆ニューラルネットワークである。 興味のあるデータは、通常、高次元の周囲空間に埋め込まれたいくつかの(しばしば未知の)低次元多様体に生きていると仮定される。 本稿では,モデルのパラメータに関して,この項の勾配を抽出可能な2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-06-02T18:30:39Z)

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。