論文の概要: Detecting and Learning Out-of-Distribution Data in the Open world: Algorithm and Theory

• arxiv url: http://arxiv.org/abs/2310.06221v1
• Date: Tue, 10 Oct 2023 00:25:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-11 21:18:22.083699
• Title: Detecting and Learning Out-of-Distribution Data in the Open world: Algorithm and Theory
• Title（参考訳）: オープンワールドにおける分散データの検出と学習:アルゴリズムと理論
• Authors: Yiyou Sun
• Abstract要約: この論文は、特にオープンワールドシナリオのコンテキストにおいて、機械学習の領域に貢献する。 オープンワールド機械学習に不可欠な2つの段階:アウト・オブ・ディストリビューション(OOD)検出とオープンワールド表現学習(ORL)
• 参考スコア（独自算出の注目度）: 15.875140867859209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This thesis makes considerable contributions to the realm of machine learning, specifically in the context of open-world scenarios where systems face previously unseen data and contexts. Traditional machine learning models are usually trained and tested within a fixed and known set of classes, a condition known as the closed-world setting. While this assumption works in controlled environments, it falls short in real-world applications where new classes or categories of data can emerge dynamically and unexpectedly. To address this, our research investigates two intertwined steps essential for open-world machine learning: Out-of-distribution (OOD) Detection and Open-world Representation Learning (ORL). OOD detection focuses on identifying instances from unknown classes that fall outside the model's training distribution. This process reduces the risk of making overly confident, erroneous predictions about unfamiliar inputs. Moving beyond OOD detection, ORL extends the capabilities of the model to not only detect unknown instances but also learn from and incorporate knowledge about these new classes. By delving into these research problems of open-world learning, this thesis contributes both algorithmic solutions and theoretical foundations, which pave the way for building machine learning models that are not only performant but also reliable in the face of the evolving complexities of the real world.
• Abstract（参考訳）: この論文は機械学習の領域、特にシステムがこれまで認識されていなかったデータとコンテキストに直面するオープンワールドシナリオの文脈に多大な貢献をしている。 従来の機械学習モデルは、通常、固定された既知のクラス(クローズドワールド設定として知られる)内でトレーニングされ、テストされる。 この仮定は制御された環境では機能するが、新しいクラスやデータカテゴリが動的かつ予期しない形で現れる現実のアプリケーションでは不足する。 そこで本研究では,オープンワールド機械学習に不可欠な2つのステップであるアウト・オブ・ディストリビューション(OOD)検出とオープンワールド表現学習(ORL)について検討する。 OOD検出は、モデルのトレーニングディストリビューションの外にある未知のクラスからインスタンスを特定することに焦点を当てる。 このプロセスは、不慣れな入力に対して過度に自信を持って誤った予測をするリスクを低減します。 OOD検出を超えて、ORLはモデルの機能を拡張して、未知のインスタンスを検出するだけでなく、これらの新しいクラスに関する知識から学び、組み込む。 オープンワールド学習のこれらの研究問題を掘り下げることで、この論文はアルゴリズムの解法と理論の基礎の両方に寄与する。

関連論文リスト

• Deep Active Learning in the Open World [13.2318584850986]
  オープンワールドのシナリオにデプロイされた機械学習モデルは、よく馴染みのない状況に遭遇し、予期しない状況でうまく機能しない。 我々は、新しいOODクラスを組み込むことで、モデル適応性を高めるように設計されたオープンワールド環境のための新しい能動的学習アルゴリズムであるALOEを紹介する。 以上の結果から,既知のクラスのパフォーマンス向上と新たなクラス発見との重大なトレードオフが明らかとなり,オープンワールド機械学習の進歩のステージが整った。
  論文  参考訳（メタデータ） (2024-11-10T04:04:20Z)
• Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
  本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。 研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-03-04T06:25:26Z)
• Machine Learning vs Deep Learning: The Generalization Problem [0.0]
  本研究では,従来の機械学習(ML)モデルとディープラーニング(DL)アルゴリズムの比較能力について,外挿の観点から検討した。 本稿では,MLモデルとDLモデルの両方が指数関数で学習され,学習領域外の値でテストされる経験的分析を提案する。 その結果,ディープラーニングモデルには,学習範囲を超えて一般化する固有の能力があることが示唆された。
  論文  参考訳（メタデータ） (2024-03-03T21:42:55Z)
• Generalization Properties of Retrieval-based Models [50.35325326050263]
  検索ベースの機械学習手法は、幅広い問題で成功をおさめた。 これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。 本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
  論文  参考訳（メタデータ） (2022-10-06T00:33:01Z)
• Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
  自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。 我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-09-29T15:24:47Z)
• Open Environment Machine Learning [84.90891046882213]
  従来の機械学習研究は、学習プロセスの重要な要素が不変であるような近世界のシナリオを想定している。 本稿では,新しいクラスを創出する技術,デクリメンタル/インクリメンタルな特徴,データ分散の変化,学習目標の変化,理論的諸問題について概説する。
  論文  参考訳（メタデータ） (2022-06-01T11:57:56Z)
• Bayesian Embeddings for Few-Shot Open World Recognition [60.39866770427436]
  埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。 当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
  論文  参考訳（メタデータ） (2021-07-29T00:38:47Z)
• Open-world Machine Learning: Applications, Challenges, and Opportunities [0.7734726150561086]
  オープンワールド機械学習は、任意の入力(目に見えないクラスを持つデータ)を機械学習システムに処理する。 従来の機械学習は静的な学習であり、アクティブな環境には適さない。 本稿では,オープンワールド機械学習における様々な手法の体系的レビューを行う。
  論文  参考訳（メタデータ） (2021-05-27T21:05:10Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)

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。