Fugu-MT 論文翻訳(概要): Mahalanobis-Aware Training for Out-of-Distribution Detection

論文の概要: Mahalanobis-Aware Training for Out-of-Distribution Detection

arxiv url: http://arxiv.org/abs/2311.00808v1
Date: Wed, 1 Nov 2023 19:46:40 GMT
ステータス: 処理完了
システム内更新日: 2023-11-03 15:39:27.141516
Title: Mahalanobis-Aware Training for Out-of-Distribution Detection
Title（参考訳）: 分散検出のためのマハラノビスアウェアトレーニング
Authors: Connor Mclaughlin, Jason Matterer, Michael Yee
Abstract要約: そこで本研究では, 密度に基づくアウト・オブ・ディストリビューション感度を向上したトレーニングネットワークのための新しい損失関数とレシピを提案する。本研究では,CIFAR-10における提案手法の有効性を実証し,提案手法の相対的マハラノビス距離法における偽陽性率を50%以上削減した。
参考スコア（独自算出の注目度）: 0.11510009152620666
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: While deep learning models have seen widespread success in controlled environments, there are still barriers to their adoption in open-world settings. One critical task for safe deployment is the detection of anomalous or out-of-distribution samples that may require human intervention. In this work, we present a novel loss function and recipe for training networks with improved density-based out-of-distribution sensitivity. We demonstrate the effectiveness of our method on CIFAR-10, notably reducing the false-positive rate of the relative Mahalanobis distance method on far-OOD tasks by over 50%.
Abstract（参考訳）: ディープラーニングモデルは制御された環境で広く成功しているが、オープンワールド環境での採用には依然として障壁がある。安全な配置のための重要な課題の1つは、人間の介入を必要とする可能性のある異常または配布外サンプルの検出である。そこで本研究では,密度ベースの分散感度が向上したトレーニングネットワークのための新しい損失関数とレシピを提案する。提案手法はcifar-10の有効性を示し,far-oodタスクにおける相対的マハラノビス距離法の偽陽性率を50%以上低減した。

関連論文リスト

Embracing Unknown Step by Step: Towards Reliable Sparse Training in Real World [23.836541532002126]
スパーストレーニングは、現実世界のアプリケーションにおいて、リソース効率の高いディープニューラルネットワーク(DNN)の有望な方法として登場した。しかし、スパースモデルの信頼性は、特に未知のアウト・オブ・ディストリビューション(OOD)データを検出する上で重要な問題である。本研究は,OODの観点からスパーストレーニングの信頼性を検討することにより,知識ギャップに対処する。本稿では,損失修正,自動チューニング,投票方式を取り入れた未知のスパース学習手法を提案する。
論文参考訳（メタデータ） (2024-03-29T08:33:05Z)
T2FNorm: Extremely Simple Scaled Train-time Feature Normalization for OOD Detection [16.03174062601543]
我々は,OOD符号化の目的のために非変換空間を用いながら,訓練中に特徴を超球面空間に変換する新しいアプローチであるT2FNormを紹介した。 In-distribution(ID)におけるモデル精度を損なうことなくOOD検出能力を驚くほど向上させる方法である。
論文参考訳（メタデータ） (2023-05-28T18:56:54Z)
Average of Pruning: Improving Performance and Stability of Out-of-Distribution Detection [37.43981354073841]
OOD検出の性能はトレーニング中の過度な適合と不安定性に悩まされている。モデル平均化とプルーニングからなるAoP(Average of Pruning)を提案し,不安定な挙動を緩和する。
論文参考訳（メタデータ） (2023-03-02T12:34:38Z)
Anti-Exploration by Random Network Distillation [63.04360288089277]
ランダムネットワーク蒸留 (RND) の条件付けは, 不確実性推定器として用いるのに十分な識別性がないことを示す。この制限は、FiLM(Feature-wise Linear Modulation)に基づく条件付けによって回避できることを示す。 D4RLベンチマークで評価したところ、アンサンブルベースの手法に匹敵する性能を達成でき、アンサンブルのない手法よりも広いマージンで性能を向上できることがわかった。
論文参考訳（メタデータ） (2023-01-31T13:18:33Z)
Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
論文参考訳（メタデータ） (2022-11-21T08:45:08Z)
Improving Out-of-Distribution Detection via Epistemic Uncertainty Adversarial Training [29.4569172720654]
我々は,ドロップアウトアンサンブルによって予測される不確実性の攻撃を組み込んだ,単純な対向訓練手法を開発した。本手法は,OOD検出性能を標準データ上で向上させる(逆向きではない)とともに,ほぼランダムな推定性能から$geq 0.75$まで,標準化された部分AUCを改善する。
論文参考訳（メタデータ） (2022-09-05T14:32:19Z)
Controlled Sparsity via Constrained Optimization or: How I Learned to Stop Tuning Penalties and Love Constraints [81.46143788046892]
スパースラーニングを行う際には,スパーシティのレベルを制御するタスクに焦点をあてる。スパーシリティを誘発する罰則に基づく既存の方法は、ペナルティファクターの高価な試行錯誤チューニングを含む。本稿では,学習目標と所望のスパーシリティ目標によって,エンドツーエンドでスペーシフィケーションをガイドする制約付き定式化を提案する。
論文参考訳（メタデータ） (2022-08-08T21:24:20Z)
To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文参考訳（メタデータ） (2021-09-04T02:45:22Z)
On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。 DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文参考訳（メタデータ） (2021-07-01T17:59:07Z)
Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
論文参考訳（メタデータ） (2020-03-21T17:46:28Z)

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。