Fugu-MT 論文翻訳(概要): Contextualised Out-of-Distribution Detection using Pattern Identication

論文の概要: Contextualised Out-of-Distribution Detection using Pattern Identication

arxiv url: http://arxiv.org/abs/2311.12855v1
Date: Tue, 24 Oct 2023 07:55:09 GMT
ステータス: 処理完了
システム内更新日: 2023-11-27 00:36:35.905925
Title: Contextualised Out-of-Distribution Detection using Pattern Identication
Title（参考訳）: パターン識別を用いた文脈分布外検出
Authors: Romain Xu-Darme (LSL, LIG), Julien Girard-Satabin (LSL), Darryl Hond (TRT UK), Gabriele Incorvaia (TRT UK), Zakaria Chihani (LSL)
Abstract要約: CODEは、説明可能なAIの分野からの既存の作業の拡張である。クラス固有の繰り返しパターンを特定して、堅牢なOut-of-Distribution(OoD)検出方法を構築する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we propose CODE, an extension of existing work from the field of explainable AI that identifies class-specific recurring patterns to build a robust Out-of-Distribution (OoD) detection method for visual classifiers. CODE does not require any classifier retraining and is OoD-agnostic, i.e., tuned directly to the training dataset. Crucially, pattern identification allows us to provide images from the In-Distribution (ID) dataset as reference data to provide additional context to the confidence scores. In addition, we introduce a new benchmark based on perturbations of the ID dataset that provides a known and quantifiable measure of the discrepancy between the ID and OoD datasets serving as a reference value for the comparison between OoD detection methods.
Abstract（参考訳）: 本研究では,クラス固有の繰り返しパターンを識別し,視覚的分類のための堅牢なアウト・オブ・ディストリビューション(OoD)検出手法を構築するための,説明可能なAI分野からの既存作業の拡張であるCODEを提案する。 CODEは分類器の再トレーニングを一切必要とせず、OoD非依存、すなわちトレーニングデータセットに直接チューニングされる。重要なことに、パターン識別により、イン・ディストリビューション(ID)データセットのイメージを参照データとして提供し、信頼度スコアに追加のコンテキストを提供する。さらに,IDデータセットの摂動に基づく新しいベンチマークを導入し,OoD検出法の比較の基準値として機能するIDデータセットとOoDデータセットの差を,既知の定量的に測定した。

関連論文リスト

Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
論文参考訳（メタデータ） (2024-11-20T02:57:35Z)
Diffusion-based Layer-wise Semantic Reconstruction for Unsupervised Out-of-Distribution Detection [30.02748131967826]
教師なしのアウト・オブ・ディストリビューション(OOD)検出は、未ラベルのIn-Distribution(ID)トレーニングサンプルからのみ学習することで、ドメイン外のデータを識別することを目的としている。現在の再構成手法は, 画素/機能空間における入力と対応する生成物間の再構成誤差を測定することで, 優れた代替手法を提供する。拡散に基づく階層的意味再構成手法を提案する。
論文参考訳（メタデータ） (2024-11-16T04:54:07Z)
On the Inherent Robustness of One-Stage Object Detection against Out-of-Distribution Data [6.7236795813629]
画像データ中の未知物体を検出する新しい検出アルゴリズムを提案する。モデルによって抽出された特徴に対する次元の呪いの影響を軽減するために、教師付き次元削減技術を利用する。これは高解像度の特徴マップを用いて、教師なしの方法で潜在的に未知の物体を識別する。
論文参考訳（メタデータ） (2024-11-07T10:15:25Z)
DREW : Towards Robust Data Provenance by Leveraging Error-Controlled Watermarking [58.37644304554906]
誤り訂正符号と透かしを用いたデータ検索法(DREW)を提案する。 DREWはランダムに参照データセットをクラスタ化し、各クラスタに独自のエラー制御された透かしキーを注入する。関連するクラスタを特定した後、最も正確な一致を見つけるために、クラスタ内に埋め込みベクトル類似性検索を行う。
論文参考訳（メタデータ） (2024-06-05T01:19:44Z)
When and How Does In-Distribution Label Help Out-of-Distribution Detection? [38.874518492468965]
本稿では,OOD検出におけるIDラベルの影響を理論的に説明するための公式な理解を提供する。我々は,OODデータからのIDデータの分離性について,グラフ理論を用いて厳密に解析する。我々は、シミュレーションと実データの両方に経験的な結果を示し、理論的保証を検証し、洞察を補強する。
論文参考訳（メタデータ） (2024-05-28T22:34:53Z)
A new algorithm for Subgroup Set Discovery based on Information Gain [58.720142291102135]
Information Gained Subgroup Discovery (IGSD)は、パターン発見のための新しいSDアルゴリズムである。 IGSDと最先端の2つのSDアルゴリズム(FSSDとSSD++)を比較した。 IGSDはFSSDやSSD++よりもOR値が優れており、パターンとターゲットへの依存度が高い。
論文参考訳（メタデータ） (2023-07-26T21:42:34Z)
Interpretable Out-Of-Distribution Detection Using Pattern Identification [0.0]
データベースプログラムのアウト・オブ・ディストリビューション(OoD)検出は最重要課題である。文献における一般的なアプローチは、イン・オブ・ディストリビューション(in-distriion、IoD)とOoDバリデーション・サンプルを必要とする検出器を訓練する傾向がある。我々は、より解釈可能で堅牢なOoD検出器を構築するために、説明可能なAI、すなわちPartialulパターン識別アルゴリズムから既存の研究を活用することを提案する。
論文参考訳（メタデータ） (2023-01-24T15:35:54Z)
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)
Learning by Erasing: Conditional Entropy based Transferable Out-Of-Distribution Detection [17.31471594748061]
トレーニングとテストシナリオ間の分散シフトを処理するためには、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。既存の方法は、データセット固有の特徴表現やデータ分散をキャプチャするために、再トレーニングを必要とする。我々は,新しいIDデータセットで再トレーニングする必要がない,DGMに基づく転送可能なOOD検出手法を提案する。
論文参考訳（メタデータ） (2022-04-23T10:19:58Z)
Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文参考訳（メタデータ） (2021-11-30T18:42:42Z)
CycAs: Self-supervised Cycle Association for Learning Re-identifiable Descriptions [61.724894233252414]
本稿では,人物再識別(re-ID)問題に対する自己教師型学習手法を提案する。既存の教師なしのメソッドは通常、ビデオトラッカーやクラスタリングのような擬似ラベルに依存している。疑似ラベルを使わずに、生のビデオから歩行者の埋め込みを学習できる別の教師なし手法を導入する。
論文参考訳（メタデータ） (2020-07-15T09:52:35Z)

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。