論文の概要: A Novel Statistical Measure for Out-of-Distribution Detection in Data
Quality Assurance
- arxiv url: http://arxiv.org/abs/2310.07998v1
- Date: Thu, 12 Oct 2023 02:59:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 13:12:46.862751
- Title: A Novel Statistical Measure for Out-of-Distribution Detection in Data
Quality Assurance
- Title（参考訳）: データ品質保証における分布外検出のための新しい統計的尺度
- Authors: Tinghui Ouyang, Isao Echizen, Yoshiki Seo
- Abstract要約: 問題領域外のデータは、AIベースのインテリジェントシステムのセキュリティに重大な脅威をもたらす。
本稿では,特徴表現にディープラーニング技術を用い,OOD検出のための新しい統計指標を開発することを提案する。
- 参考スコア（独自算出の注目度）: 9.223354000966694
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Data outside the problem domain poses significant threats to the security of
AI-based intelligent systems. Aiming to investigate the data domain and
out-of-distribution (OOD) data in AI quality management (AIQM) study, this
paper proposes to use deep learning techniques for feature representation and
develop a novel statistical measure for OOD detection. First, to extract
low-dimensional representative features distinguishing normal and OOD data, the
proposed research combines the deep auto-encoder (AE) architecture and neuron
activation status for feature engineering. Then, using local conditional
probability (LCP) in data reconstruction, a novel and superior statistical
measure is developed to calculate the score of OOD detection. Experiments and
evaluations are conducted on image benchmark datasets and an industrial
dataset. Through comparative analysis with other common statistical measures in
OOD detection, the proposed research is validated as feasible and effective in
OOD and AIQM studies.
- Abstract（参考訳）: 問題領域外のデータは、AIベースのインテリジェントシステムのセキュリティに重大な脅威をもたらす。
本稿では,AI品質管理(AIQM)研究におけるデータ領域とアウト・オブ・ディストリビューション(OOD)データの研究を目的として,特徴表現にディープラーニング技術を用い,OOD検出のための新しい統計的指標を開発することを提案する。
まず,通常のOODデータとOODデータを区別した低次元の代表的特徴を抽出するために,Deep Auto-Encoder(AE)アーキテクチャと,機能工学のためのニューロン活性化状態を組み合わせる。
そして、データ再構成における局所条件確率(LCP)を用いて、OOD検出のスコアを計算するために、新規で優れた統計尺度を開発した。
画像ベンチマークデータセットと産業データセットを用いて実験と評価を行う。
OOD検出における他の一般的な統計指標との比較分析を通じて,本研究はOODおよびAIQM研究において有効かつ有効であることが検証された。
関連論文リスト
- 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) - Advancing Out-of-Distribution Detection through Data Purification and
Dynamic Activation Function Design [12.45245390882047]
OOD-R(Out-of-Distribution-Rectified)は,ノイズ低減特性が向上したオープンソースデータセットの集合体である。
OOD-Rはノイズフィルタリング技術を導入してデータセットを洗練し、OOD検出アルゴリズムのより正確で信頼性の高い評価を確実にする。
本稿では,多様な入力に対するモデルの応答を微調整し,特徴抽出の安定性を向上させる革新的な方法であるActFunを提案する。
論文 参考訳（メタデータ） (2024-03-06T02:39:22Z) - 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) - LINe: Out-of-Distribution Detection by Leveraging Important Neurons [15.797257361788812]
本稿では,分布内データとOODデータ間のモデル出力の差を解析するための新しい側面を紹介する。
本稿では,分布検出のポストホックアウトのための新しい手法であるLINe( Leveraging Important Neurons)を提案する。
論文 参考訳（メタデータ） (2023-03-24T13:49:05Z) - Out-of-distribution Detection with Implicit Outlier Transformation [72.73711947366377]
外周露光(OE)は、オフ・オブ・ディストリビューション(OOD)検出において強力である。
我々は,未確認のOOD状況に対してモデルの性能を良くする,新しいOEベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-09T04:36:38Z) - 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) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Deep Feature Statistics Mapping for Generalized Screen Content Image Quality Assessment [60.88265569998563]
我々は,SCIの質を効果的に決定できる指標に基づいて,SCIの統計を学習するための最初の試みを行う。
統計的偏差が品質評価に有効に活用できることを実証的に示す。
論文 参考訳（メタデータ） (2022-09-12T15:26:13Z) - Igeood: An Information Geometry Approach to Out-of-Distribution
Detection [35.04325145919005]
Igeoodは, オフ・オブ・ディストリビューション(OOD)サンプルを効果的に検出する手法である。
Igeoodは任意のトレーニング済みニューラルネットワークに適用され、機械学習モデルにさまざまなアクセス権を持つ。
Igeoodは、さまざまなネットワークアーキテクチャやデータセットにおいて、競合する最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-03-15T11:26:35Z) - ProtoInfoMax: Prototypical Networks with Mutual Information Maximization
for Out-of-Domain Detection [19.61846393392849]
ProtoInfoMaxは、Prototypeal Networksを拡張してIn-Domain(ID)とOOD文を同時に処理する新しいアーキテクチャである。
提案手法は,低資源環境下でのOOD検出性能を最大20%向上できることを示す。
論文 参考訳（メタデータ） (2021-08-27T11:55:34Z)
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。