論文の概要: Learning to Augment Distributions for Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2311.01796v1
- Date: Fri, 3 Nov 2023 09:19:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 14:33:14.769120
- Title: Learning to Augment Distributions for Out-of-Distribution Detection
- Title（参考訳）: アウト・オブ・ディストリビューション検出のための分布拡大学習
- Authors: Qizhou Wang, Zhen Fang, Yonggang Zhang, Feng Liu, Yixuan Li, Bo Han
- Abstract要約: アウト・オブ・ディストリビューション (OOD) は、ラベルがイン・ディストリビューション (ID) の場合と区別される。
我々は,OODの分布差を軽減するためにDAL(distributal-Augmented OOD Learning)を提案する。
- 参考スコア（独自算出の注目度）: 49.12437300327712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-world classification systems should discern out-of-distribution (OOD)
data whose labels deviate from those of in-distribution (ID) cases, motivating
recent studies in OOD detection. Advanced works, despite their promising
progress, may still fail in the open world, owing to the lack of knowledge
about unseen OOD data in advance. Although one can access auxiliary OOD data
(distinct from unseen ones) for model training, it remains to analyze how such
auxiliary data will work in the open world. To this end, we delve into such a
problem from a learning theory perspective, finding that the distribution
discrepancy between the auxiliary and the unseen real OOD data is the key to
affecting the open-world detection performance. Accordingly, we propose
Distributional-Augmented OOD Learning (DAL), alleviating the OOD distribution
discrepancy by crafting an OOD distribution set that contains all distributions
in a Wasserstein ball centered on the auxiliary OOD distribution. We justify
that the predictor trained over the worst OOD data in the ball can shrink the
OOD distribution discrepancy, thus improving the open-world detection
performance given only the auxiliary OOD data. We conduct extensive evaluations
across representative OOD detection setups, demonstrating the superiority of
our DAL over its advanced counterparts.
- Abstract（参考訳）: オープンワールド分類システムでは,OOD検出の最近の研究を動機として,ラベルが非流通(ID)症例と区別されるOOD(out-of-distriion)データを識別すべきである。
有望な進歩にもかかわらず、未発見のoodデータに関する知識が不足しているため、オープンな世界ではまだ失敗する可能性がある。
モデルトレーニングのために補助oodデータ(見えないデータとは別物)にアクセスすることは可能だが、そのような補助データがオープン世界でどのように機能するかを分析することは難しい。
この目的のために,学習理論の観点から,補助データと実データとの分布の不一致がオープンワールド検出性能に影響を与える鍵となることを明らかにする。
そこで我々は, 補助OOD分布を中心としたワッサースタイン球の分布を含むOOD分布セットを作成することにより, OOD分布の相違を緩和する分散拡張OOD学習(DAL)を提案する。
我々は,ボール内の最悪のOODデータに対してトレーニングした予測器がOOD分布のずれを小さくし,補助OODデータのみを付加したオープンワールド検出性能を向上させることを正当化する。
代表的なOOD検出装置にまたがって広範囲な評価を行い、先進的なOOD検出装置よりもDALの方が優れていることを示す。
関連論文リスト
- Out-of-Distribution Learning with Human Feedback [26.398598663165636]
本稿では,人的フィードバックによるOOD学習のための新しい枠組みを提案する。
当社のフレームワークは、無償で利用可能な未ラベルデータに便乗しています。
人間のフィードバックを利用して、機械学習モデルの堅牢性と信頼性を高める。
論文 参考訳（メタデータ） (2024-08-14T18:49:27Z) - Out-of-distribution Detection Learning with Unreliable
Out-of-distribution Sources [73.28967478098107]
アウト・オブ・ディストリビューション(OOD)検出は、予測者が有効な予測を行うことができないOODデータをイン・ディストリビューション(ID)データとして識別する。
通常、OODパターンを識別できる予測器をトレーニングするために、実際のアウト・オブ・ディストリビューション(OOD)データを収集するのは困難である。
本稿では,Auxiliary Task-based OOD Learning (ATOL) というデータ生成に基づく学習手法を提案する。
論文 参考訳（メタデータ） (2023-11-06T16:26:52Z) - 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) - Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is
All You Need [52.88953913542445]
簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。
我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
論文 参考訳（メタデータ） (2023-02-06T08:24:41Z) - Training OOD Detectors in their Natural Habitats [31.565635192716712]
アウト・オブ・ディストリビューション(OOD)検出は、野生にデプロイされた機械学習モデルにとって重要である。
近年の手法では,OOD検出の改善のために補助外乱データを用いてモデルを正規化している。
我々は、自然にIDとOODの両方のサンプルで構成される野生の混合データを活用する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T15:38:39Z) - ATOM: Robustifying Out-of-distribution Detection Using Outlier Mining [51.19164318924997]
インフォメーション・アウトリエ・マイニングによるアドリアトレーニングは、OOD検出の堅牢性を向上させる。
ATOMは,古典的,敵対的なOOD評価タスクの幅広いファミリーの下で,最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-06-26T20:58:05Z)
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。