論文の概要: SEE-OoD: Supervised Exploration For Enhanced Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2310.08040v1
• Date: Thu, 12 Oct 2023 05:20:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 12:50:28.840076
• Title: SEE-OoD: Supervised Exploration For Enhanced Out-of-Distribution Detection
• Title（参考訳）: SEE-OoD: アウト・オブ・ディストリビューション検出のための改良された探索
• Authors: Xiaoyang Song, Wenbo Sun, Maher Nouiehed, Raed Al Kontar, Judy Jin
• Abstract要約: 我々は,OoD検出精度を高めるために,ワッサースタインスコアを用いた生成逆学習手法を提案する。 具体的には、このジェネレータはOoD空間を探索し、識別器からのフィードバックを用いて合成OoDサンプルを生成する。 提案手法は,様々なコンピュータビジョンデータセットにおける最先端技術よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 11.05254400092658
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Current techniques for Out-of-Distribution (OoD) detection predominantly rely on quantifying predictive uncertainty and incorporating model regularization during the training phase, using either real or synthetic OoD samples. However, methods that utilize real OoD samples lack exploration and are prone to overfit the OoD samples at hand. Whereas synthetic samples are often generated based on features extracted from training data, rendering them less effective when the training and OoD data are highly overlapped in the feature space. In this work, we propose a Wasserstein-score-based generative adversarial training scheme to enhance OoD detection accuracy, which, for the first time, performs data augmentation and exploration simultaneously under the supervision of limited OoD samples. Specifically, the generator explores OoD spaces and generates synthetic OoD samples using feedback from the discriminator, while the discriminator exploits both the observed and synthesized samples for OoD detection using a predefined Wasserstein score. We provide theoretical guarantees that the optimal solutions of our generative scheme are statistically achievable through adversarial training in empirical settings. We then demonstrate that the proposed method outperforms state-of-the-art techniques on various computer vision datasets and exhibits superior generalizability to unseen OoD data.
• Abstract（参考訳）: 現在のout-of-distribution(ood)検出技術は、主に予測の不確かさの定量化と、実または合成のoodサンプルを用いたトレーニング段階でのモデル正規化に依拠している。 しかし、実際のoodサンプルを使用する方法は探索に乏しく、手元にあるoodサンプルを過剰に利用しがちである。 合成サンプルは、訓練データから抽出された特徴に基づいてしばしば生成されるが、訓練データとOoDデータが特徴空間内で重なり合う場合、それらの効果は低下する。 そこで本研究では,ood検出精度を向上させるためのwasserstein-scoreによる生成的逆行訓練手法を提案する。 具体的には、生成器がood空間を探索し、識別器からのフィードバックを用いて合成oodサンプルを生成する一方、判別器は、予め定義されたwasersteinスコアを用いてood検出のために観測および合成されたサンプルの両方を利用する。 提案手法の最適解は,経験的条件下での対人訓練によって統計的に達成可能であることを理論的に保証する。 提案手法は,様々なコンピュータビジョンデータセットの最先端技術より優れており,OoDデータに対して優れた一般化性を示す。

関連論文リスト

• On the Robustness of Fully-Spiking Neural Networks in Open-World Scenarios using Forward-Only Learning Algorithms [6.7236795813629]
  我々はフォワードフォワードアルゴリズム(FFA)を用いたOoD(Out-of-Distribution)検出のための新しいアルゴリズムを開発した。 提案手法は, 標本の潜在表現からクラス表現多様体への距離を用いて, 分布内(ID)データに属するサンプルの確率を測定する。 また,任意のクラスの分布から遠ざかるサンプルの特徴を強調表示するグラデーションフリー属性手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T08:08:17Z)
• Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
  データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。 従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。 我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-04T14:28:52Z)
• Hypothesis-Driven Deep Learning for Out of Distribution Detection [0.8191518216608217]
  本稿では,新しいサンプルがInDなのかOoDなのかを定量化する仮説駆動型手法を提案する。 細菌のサンプルを学習した深層学習モデルに適応させ,InDとOoDの潜伏反応の解釈的差異を明らかにする。
  論文  参考訳（メタデータ） (2024-03-21T01:06:47Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• How Low Can You Go? Surfacing Prototypical In-Distribution Samples for Unsupervised Anomaly Detection [48.30283806131551]
  非常に少ないトレーニングサンプルを持つUADが、トレーニングデータセット全体のトレーニングパフォーマンスにすでに一致している - そして、場合によっては、それを超えることもある、ということが、私たちは示しています。 そこで本研究では,UAD性能をさらに向上させるために,原型標本を確実に同定するための教師なし手法を提案する。
  論文  参考訳（メタデータ） (2023-12-06T15:30:47Z)
• Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
  ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。 本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-12-20T19:29:37Z)
• Raising the Bar on the Evaluation of Out-of-Distribution Detection [88.70479625837152]
  我々は、知覚/視覚的・意味的類似性の概念をiDデータと微妙に異なる概念を用いて、OoDデータの2つのカテゴリを定義した。 iD データセットが与えられた2つのカテゴリそれぞれから OoD サンプルを生成するための GAN ベースのフレームワークを提案する。 従来のベンチマークで非常によく機能する最先端のOoD検出手法は,提案したベンチマークよりもはるかに堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-09-24T08:48:36Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。