論文の概要: Unified Classification and Rejection: A One-versus-All Framework

• arxiv url: http://arxiv.org/abs/2311.13355v1
• Date: Wed, 22 Nov 2023 12:47:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 15:03:16.923299
• Title: Unified Classification and Rejection: A One-versus-All Framework
• Title（参考訳）: 統一された分類と拒絶:1対1の枠組み
• Authors: Zhen Cheng, Xu-Yao Zhang, Cheng-Lin Liu
• Abstract要約: 我々は,オープンな集合分類器を構築するための統一的なフレームワークを構築した。 K の $-class 問題を $ K $ 1-versus-all (OVA) のバイナリ分類タスクに分解することにより、OVA 分類器のスコアを組み合わせることで、$ (K + 1) の $-class rear 確率が得られることを示す。 我々は最近提案された畳み込みプロトタイプネットワーク上で,OVAフレームワークとハイブリッドトレーニング戦略を実装した。
• 参考スコア（独自算出の注目度）: 53.47637947615391
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classifying patterns of known classes and rejecting ambiguous and novel (also called as out-of-distribution (OOD)) inputs are involved in open world pattern recognition. Deep neural network models usually excel in closed-set classification while performing poorly in rejecting OOD. To tackle this problem, numerous methods have been designed to perform open set recognition (OSR) or OOD rejection/detection tasks. Previous methods mostly take post-training score transformation or hybrid models to ensure low scores on OOD inputs while separating known classes. In this paper, we attempt to build a unified framework for building open set classifiers for both classification and OOD rejection. We formulate the open set recognition of $ K $-known-class as a $ (K + 1) $-class classification problem with model trained on known-class samples only. By decomposing the $ K $-class problem into $ K $ one-versus-all (OVA) binary classification tasks and binding some parameters, we show that combining the scores of OVA classifiers can give $ (K + 1) $-class posterior probabilities, which enables classification and OOD rejection in a unified framework. To maintain the closed-set classification accuracy of the OVA trained classifier, we propose a hybrid training strategy combining OVA loss and multi-class cross-entropy loss. We implement the OVA framework and hybrid training strategy on the recently proposed convolutional prototype network. Experiments on popular OSR and OOD detection datasets demonstrate that the proposed framework, using a single multi-class classifier, yields competitive performance in closed-set classification, OOD detection, and misclassification detection.
• Abstract（参考訳）: 既知のクラスを分類し、曖昧で斬新な入力(out-of-distribution(OOD)とも呼ばれる)を拒否するパターンは、オープンワールドパターン認識に関与している。 ディープニューラルネットワークモデルは、通常はクローズドセット分類において優れているが、oodの拒否には不十分である。 この問題に対処するために、オープンセット認識(OSR)やOOD拒否/検出タスクを実行するために多くの手法が設計されている。 従来の手法では、学習後のスコア変換やハイブリッドモデルを用いて、既知のクラスを分離しながらOOD入力の低スコアを保証する。 本稿では,分類とood拒否の両方に対してオープンセット分類器を構築するための統一フレームワークの構築を試みる。 K $-known-class の開集合認識を (K + 1) $-class 分類問題として定式化する。 K の $-class 問題を $ K $ 1-versus-all (OVA) のバイナリ分類タスクに分解し、いくつかのパラメータを結合することにより、OVA 分類器のスコアを組み合わせることで、(K + 1) の $-class 後続確率が$ (K + 1) となる。 OVA学習分類器の閉集合分類精度を維持するために,OVA損失とマルチクラスクロスエントロピー損失を組み合わせたハイブリッドトレーニング戦略を提案する。 最近提案する畳み込みプロトタイプネットワーク上で,ovaフレームワークとハイブリッドトレーニング戦略を実装した。 一般的なOSRおよびOOD検出データセットの実験により、提案するフレームワークは、単一のマルチクラス分類器を使用して、クローズドセット分類、OOD検出、誤分類検出において競合性能を発揮することが示された。

関連論文リスト

• Your Classifier Can Be Secretly a Likelihood-Based OOD Detector [17.420727709895736]
  Intrinsic Likelihood (INK) を提案する。 INKは、far-OODと near-OODを含む様々なOOD検出設定において、新しい最先端技術を確立している。
  論文  参考訳（メタデータ） (2024-08-09T04:00:53Z)
• CBR - Boosting Adaptive Classification By Retrieval of Encrypted Network Traffic with Out-of-distribution [9.693391036125908]
  一般的なアプローチの1つは、一定の数のクラスで機械学習またはディープラーニングベースのソリューションを使用することである。 未知のクラスを扱うソリューションの1つは、モデルを再トレーニングすることである。 本稿では,暗号ネットワークトラフィック分類の新しいアプローチであるRetrieval CBRによる適応分類を提案する。
  論文  参考訳（メタデータ） (2024-03-17T13:14:09Z)
• Multi-Classification using One-versus-One Deep Learning Strategy with Joint Probability Estimates [0.0]
  提案モデルは他の最先端モデルよりも一般的に高い分類精度が得られる。 異なる応用における数値実験により,提案モデルが他の最先端モデルよりも一般的に高い分類精度を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-06-16T07:54:15Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• Partial and Asymmetric Contrastive Learning for Out-of-Distribution Detection in Long-Tailed Recognition [80.07843757970923]
  既存のOOD検出手法は,トレーニングセットが長距離分布している場合,大幅な性能劣化に悩まされていることを示す。 本稿では,部分的および非対称的な教師付きコントラスト学習(PASCL)を提案する。 我々の手法は従来の最先端の手法を1.29%$, $1.45%$, $0.69%$異常検出偽陽性率(FPR)と$3.24%$, 4,.06%$, 7,89%$in-distributionで上回ります。
  論文  参考訳（メタデータ） (2022-07-04T01:53:07Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Semi-Supervised Few-Shot Classification with Deep Invertible Hybrid Models [4.189643331553922]
  半教師付き小ショット分類のための潜在空間レベルで識別学習と生成学習を統合するディープ・インバーチブルハイブリッドモデルを提案する。 我々の主な独創性は、これらのコンポーネントを潜在空間レベルで統合することであり、過度な適合を防ぐのに有効である。
  論文  参考訳（メタデータ） (2021-05-22T05:55:16Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)

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。