論文の概要: Likelihood-Aware Semantic Alignment for Full-Spectrum
Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2312.01732v1
- Date: Mon, 4 Dec 2023 08:53:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 15:35:39.207887
- Title: Likelihood-Aware Semantic Alignment for Full-Spectrum
Out-of-Distribution Detection
- Title(参考訳): 全スペクトル分布検出のための確率認識意味アライメント
- Authors: Fan Lu, Kai Zhu, Kecheng Zheng, Wei Zhai, Yang Cao
- Abstract要約: 画像とテキストの対応を意味的に高次領域に促進する「Likelihood-Aware Semantic Alignment (LSA)フレームワーク」を提案する。
2つのF-OODベンチマークで15.26%$と18.88%$の差で既存の手法を上回り、提案したLSAの優れたOOD検出性能を実証した。
- 参考スコア(独自算出の注目度): 24.145060992747077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Full-spectrum out-of-distribution (F-OOD) detection aims to accurately
recognize in-distribution (ID) samples while encountering semantic and
covariate shifts simultaneously. However, existing out-of-distribution (OOD)
detectors tend to overfit the covariance information and ignore intrinsic
semantic correlation, inadequate for adapting to complex domain
transformations. To address this issue, we propose a Likelihood-Aware Semantic
Alignment (LSA) framework to promote the image-text correspondence into
semantically high-likelihood regions. LSA consists of an offline Gaussian
sampling strategy which efficiently samples semantic-relevant visual embeddings
from the class-conditional Gaussian distribution, and a bidirectional prompt
customization mechanism that adjusts both ID-related and negative context for
discriminative ID/OOD boundary. Extensive experiments demonstrate the
remarkable OOD detection performance of our proposed LSA especially on the
intractable Near-OOD setting, surpassing existing methods by a margin of
$15.26\%$ and $18.88\%$ on two F-OOD benchmarks, respectively.
- Abstract(参考訳): full-spectrum out-of-distribution (f-ood) 検出は、意味的および共変的シフトを同時に遭遇しながら、in-distribution (id) サンプルを正確に認識することを目的としている。
しかし、既存のout-of-distribution (ood)検出器は共分散情報に過剰に適合し、内在的意味相関を無視する傾向があり、複雑な領域変換に適応するには不十分である。
この問題に対処するために,画像テキスト対応を意味的に高機能な領域に促進するためのLSA(Likelihood-Aware Semantic Alignment)フレームワークを提案する。
LSAは、クラス条件のガウス分布から意味関連視覚埋め込みを効率的にサンプリングするオフラインガウスサンプリング戦略と、識別的ID/OOD境界のためにID関連および負のコンテキストを調整する双方向プロンプトカスタマイズ機構から構成される。
広範囲な実験により,提案手法が2つのf-oodベンチマークでそれぞれ15.26\%$と18.88\%$のマージンで従来の手法を上回って,特に難解な近ood設定において,提案手法の顕著なood検出性能を示すことができた。
関連論文リスト
- Rethinking the Evaluation of Out-of-Distribution Detection: A Sorites Paradox [70.57120710151105]
既存のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、サンプルを新しいラベルでOODデータとして分類する。
いくつかの限界OODサンプルは、実際には分布内(ID)サンプルに密接なセマンティック内容を持ち、OODサンプルをソリテスパラドックス(英語版)と判定する。
この問題に対処するため,Incremental Shift OOD (IS-OOD) というベンチマークを構築した。
論文 参考訳(メタデータ) (2024-06-14T09:27:56Z) - Invariant Anomaly Detection under Distribution Shifts: A Causal
Perspective [6.845698872290768]
異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。
分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。
我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
論文 参考訳(メタデータ) (2023-12-21T23:20:47Z) - Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。
擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。
ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
論文 参考訳(メタデータ) (2023-03-27T07:46:58Z) - Background Matters: Enhancing Out-of-distribution Detection with Domain
Features [90.32910087103744]
OODサンプルは任意の分布から引き出すことができ、様々な次元における分布内(ID)データからの偏差を示す。
既存の方法は、ドメインの特徴のような他の次元を無視しながら、意味的特徴に基づいてOODサンプルを検出することに重点を置いている。
本稿では,IDトレーニングサンプルからドメインの特徴を高密度な予測手法により学習することのできる,新しい汎用フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-15T16:12:14Z) - Robustness to Spurious Correlations Improves Semantic
Out-of-Distribution Detection [24.821151013905865]
画像入力のアウト・オブ・ディストリビューション(OOD)検出のための有望なアプローチとして,予測モデルの出力や特徴表現を利用する手法が登場した。
SN-OOD検出の故障について説明し、その対策としてニュアンス対応のOOD検出を提案する。
論文 参考訳(メタデータ) (2023-02-08T15:28:33Z) - 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) - Supervision Adaptation Balancing In-distribution Generalization and
Out-of-distribution Detection [36.66825830101456]
In-distribution (ID) と Out-of-distribution (OOD) のサンプルは、ディープニューラルネットワークにおけるtextitdistributionalな脆弱性を引き起こす可能性がある。
我々は,OODサンプルに対する適応的な監視情報を生成するために,新しいテクスツパービジョン適応手法を導入し,IDサンプルとの互換性を高めた。
論文 参考訳(メタデータ) (2022-06-19T11:16:44Z) - Full-Spectrum Out-of-Distribution Detection [42.98617540431124]
両シフトタイプを考慮し、フルスペクトルOOD(FS-OOD)検出を導入する。
本稿では,単純な特徴に基づくセマンティックススコア関数であるSEMを提案する。
SEMは現在の最先端の手法を大きく上回っている。
論文 参考訳(メタデータ) (2022-04-11T17:59:14Z) - Self-Supervised Anomaly Detection by Self-Distillation and Negative
Sampling [1.304892050913381]
また, 負の例と対照的に, 分散学習セットの自己蒸留はOOD検出を強く向上させることを示した。
低レベルの特徴の統計を高レベルのセマンティクスを変更しながら保持する負のサンプルを活用することにより、より高い平均検出性能が得られることを観察する。
論文 参考訳(メタデータ) (2022-01-17T12:33:14Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - 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。
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。