論文の概要: Towards Effective Semantic OOD Detection in Unseen Domains: A Domain
Generalization Perspective
- arxiv url: http://arxiv.org/abs/2309.10209v1
- Date: Mon, 18 Sep 2023 23:48:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 17:08:21.138115
- Title: Towards Effective Semantic OOD Detection in Unseen Domains: A Domain
Generalization Perspective
- Title(参考訳): 目に見えない領域における効果的なセマンティックOOD検出に向けて:ドメイン一般化の視点から
- Authors: Haoliang Wang, Chen Zhao, Yunhui Guo, Kai Jiang, Feng Chen
- Abstract要約: 機械学習における分散シフトの2つの代表的なタイプは、共変量シフトと意味シフトである。
従来のOOD検出技術は、これらのシフトの1つにのみ対処する。
ドメイン間のセマンティックOOD検出という新しい問題を導入し、同時に両方のシフトに対処する。
- 参考スコア(独自算出の注目度): 19.175929188731715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Two prevalent types of distributional shifts in machine learning are the
covariate shift (as observed across different domains) and the semantic shift
(as seen across different classes). Traditional OOD detection techniques
typically address only one of these shifts. However, real-world testing
environments often present a combination of both covariate and semantic shifts.
In this study, we introduce a novel problem, semantic OOD detection across
domains, which simultaneously addresses both distributional shifts. To this
end, we introduce two regularization strategies: domain generalization
regularization, which ensures semantic invariance across domains to counteract
the covariate shift, and OOD detection regularization, designed to enhance OOD
detection capabilities against the semantic shift through energy bounding.
Through rigorous testing on three standard domain generalization benchmarks,
our proposed framework showcases its superiority over conventional domain
generalization approaches in terms of OOD detection performance. Moreover, it
holds its ground by maintaining comparable InD classification accuracy.
- Abstract(参考訳): 機械学習における分散シフトの代表的な2つのタイプは、共変量シフト(異なるドメインで観察される)と意味シフト(異なるクラスで見る)である。
従来のOOD検出技術は、これらのシフトの1つにのみ対処する。
しかし、実世界のテスト環境は、しばしば共変量とセマンティックシフトの両方の組み合わせを示す。
本研究では,二つの分布シフトを同時に扱う領域間の意味的ood検出という新しい問題を提案する。
そこで本研究では,共変量シフトに対応するためにドメイン間の意味的不変性を保証する領域一般化正規化と,エネルギー境界による意味的シフトに対するOOD検出能力を向上するOOD検出正規化の2つの方法を提案する。
3つの標準領域一般化ベンチマークの厳密なテストを通じて,OOD検出性能において従来の領域一般化手法よりも優れていることを示す。
さらに、同等のind分類精度を維持することでその基盤を保っている。
関連論文リスト
- ATTA: Anomaly-aware Test-Time Adaptation for Out-of-Distribution
Detection in Segmentation [22.084967085509387]
ドメインシフトとセマンティックシフトを協調的に扱うための二重レベルOOD検出フレームワークを提案する。
第1のレベルは、グローバルな低レベル機能を活用することで、画像内にドメインシフトが存在するかどうかを区別する。
第2のレベルは、高次特徴写像を高密度に利用することにより、セマンティックシフトを伴う画素を識別する。
論文 参考訳(メタデータ) (2023-09-12T06:49:56Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳(メタデータ) (2023-08-04T12:27:11Z) - Feed Two Birds with One Scone: Exploiting Wild Data for Both
Out-of-Distribution Generalization and Detection [31.68755583314898]
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。
論文 参考訳(メタデータ) (2023-06-15T14:32:35Z) - OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。
この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。
関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
論文 参考訳(メタデータ) (2022-10-13T17:59:57Z) - Generalizability of Adversarial Robustness Under Distribution Shifts [57.767152566761304]
本研究は, 実証的, 証明された敵対的堅牢性間の相互作用と, ドメインの一般化を両立させるための第一歩を踏み出した。
複数のドメインでロバストモデルをトレーニングし、その正確性とロバスト性を評価する。
本研究は, 現実の医療応用をカバーするために拡張され, 敵の増大は, クリーンデータ精度に最小限の影響を伴って, 強靭性の一般化を著しく促進する。
論文 参考訳(メタデータ) (2022-09-29T18:25:48Z) - Full-Spectrum Out-of-Distribution Detection [42.98617540431124]
両シフトタイプを考慮し、フルスペクトルOOD(FS-OOD)検出を導入する。
本稿では,単純な特徴に基づくセマンティックススコア関数であるSEMを提案する。
SEMは現在の最先端の手法を大きく上回っている。
論文 参考訳(メタデータ) (2022-04-11T17:59:14Z) - Variational Disentanglement for Domain Generalization [68.85458536180437]
本稿では,変分拡散ネットワーク(VDN)という効果的なフレームワークを提供することにより,領域一般化の課題に取り組むことを提案する。
VDNは、ドメイン固有の機能とタスク固有の機能を切り離し、タスク固有のフィーチャは、見えないが関連するテストデータにより良い一般化が期待できる。
論文 参考訳(メタデータ) (2021-09-13T09:55:32Z) - A Bit More Bayesian: Domain-Invariant Learning with Uncertainty [111.22588110362705]
ドメインの一般化は、ドメインシフトと、ターゲットドメインデータのアクセス不能に起因する不確実性のために困難である。
本稿では,変分ベイズ推定に基づく確率的枠組みを用いて,両課題に対処する。
2層ベイズ型ニューラルネットワークで共同で確立されたドメイン不変表現と分類器を導出する。
論文 参考訳(メタデータ) (2021-05-09T21:33:27Z) - Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。
粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。
粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文 参考訳(メタデータ) (2020-03-23T13:40:06Z)
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。