論文の概要: COOD: Combined out-of-distribution detection using multiple measures for
anomaly & novel class detection in large-scale hierarchical classification
- arxiv url: http://arxiv.org/abs/2403.06874v1
- Date: Mon, 11 Mar 2024 16:26:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 18:16:00.062367
- Title: COOD: Combined out-of-distribution detection using multiple measures for
anomaly & novel class detection in large-scale hierarchical classification
- Title（参考訳）: COOD: 大規模階層分類における異常と新しいクラス検出のための複数の尺度を用いたアウト・オブ・ディストリビューション検出の組み合わせ
- Authors: L. E. Hogeweg, R. Gangireddy, D. Brunink, V. J. Kalkman, L.
Cornelissen, J.W. Kamminga
- Abstract要約: 異常および新しいクラスであるOOD(High-perform Out-of-distribution)の検出は、分類モデルの実用上重要な前提条件である。
教師付きモデルを用いて,個々のOOD測度を1つの組み合わせOOD測度に組み合わせる枠組みを提案する。
以上の結果から,COODはTPR@1%のFPRにおいて,最先端のOOD対策を含む個人よりも優れていたことが示唆された。
- 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: High-performing out-of-distribution (OOD) detection, both anomaly and novel
class, is an important prerequisite for the practical use of classification
models. In this paper, we focus on the species recognition task in images
concerned with large databases, a large number of fine-grained hierarchical
classes, severe class imbalance, and varying image quality. We propose a
framework for combining individual OOD measures into one combined OOD (COOD)
measure using a supervised model. The individual measures are several existing
state-of-the-art measures and several novel OOD measures developed with novel
class detection and hierarchical class structure in mind. COOD was extensively
evaluated on three large-scale (500k+ images) biodiversity datasets in the
context of anomaly and novel class detection. We show that COOD outperforms
individual, including state-of-the-art, OOD measures by a large margin in terms
of TPR@1% FPR in the majority of experiments, e.g., improving detecting
ImageNet images (OOD) from 54.3% to 85.4% for the iNaturalist 2018 dataset.
SHAP (feature contribution) analysis shows that different individual OOD
measures are essential for various tasks, indicating that multiple OOD measures
and combinations are needed to generalize. Additionally, we show that
explicitly considering ID images that are incorrectly classified for the
original (species) recognition task is important for constructing
high-performing OOD detection methods and for practical applicability. The
framework can easily be extended or adapted to other tasks and media
modalities.
- Abstract（参考訳）: 異常および新しいクラスであるOOD(High-perform Out-of-distribution)の検出は、分類モデルの実用上重要な前提条件である。
本稿では,大規模データベースに関する画像における種認識タスク,多数の細粒度階層クラス,重度のクラス不均衡,画像品質の変動に着目した。
教師付きモデルを用いて,個々のOOD測度を1つの複合OOD(COOD)測度に組み合わせる枠組みを提案する。
個々の尺度は、いくつかの既存の最先端尺度と、新しいクラス検出と階層的なクラス構造を念頭に開発された新しいOOD尺度である。
COODは3つの大規模(500k以上の画像)生物多様性データセットに対して,異常や新しいクラス検出の文脈で広範囲に評価された。
例えば、iNaturalist 2018データセットでは、画像ネット画像(OOD)の検出が54.3%から85.4%に改善されている。
SHAP(Feature Contribution)分析は,様々なタスクに異なるOOD尺度が不可欠であることを示し,複数のOOD尺度と組み合わせが必要であることを示唆している。
また、元の(種)認識タスクに誤分類されたid画像を明示的に検討することは、高性能なood検出手法の構築や実用的適用において重要であることを示す。
このフレームワークは簡単に拡張でき、他のタスクやメディアのモダリティにも適応できる。
関連論文リスト
- Scalable Ensemble Diversification for OOD Generalization and Detection [68.8982448081223]
SEDは、ハエのハードトレーニングサンプルを特定し、アンサンブルメンバーにこれらについて意見の一致を奨励する。
モデル間でのペアの相違を解消する既存の方法において,コストのかかる計算を避ける方法を示す。
OODの一般化のために,出力空間(古典的)アンサンブルや重量空間アンサンブル(モデルスープ)など,複数の環境での多様化による大きなメリットを観察する。
論文 参考訳（メタデータ） (2024-09-25T10:30:24Z) - Out-of-Distribution Detection Using Peer-Class Generated by Large Language Model [0.0]
アウト・オブ・ディストリビューション(OOD)検出は、マシンラーニングモデルの信頼性とセキュリティを確保するための重要なタスクである。
本稿では,ODPCと呼ばれる新しい手法を提案し,大規模言語モデルを用いてOODピア・セマンティクスのクラスを生成する。
5つのベンチマークデータセットの実験により,提案手法は最先端の結果が得られることが示された。
論文 参考訳（メタデータ） (2024-03-20T06:04:05Z) - MOODv2: Masked Image Modeling for Out-of-Distribution Detection [57.17163962383442]
本研究は,様々なOODスコア関数を用いて,個別の事前学習課題について検討する。
当社のフレームワークMOODv2は,14.30%のAUROCをImageNetで95.68%に向上し,CIFAR-10で99.98%を達成した。
論文 参考訳（メタデータ） (2024-01-05T02:57:58Z) - EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
本稿では,長い尾を持つOOD検出の課題に対処する。
主な困難は、尾クラスに属するサンプルとOODデータを区別することである。
本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
論文 参考訳（メタデータ） (2023-12-14T13:47:13Z) - Class Relevance Learning For Out-of-distribution Detection [16.029229052068]
本稿では,OOD検出に適したクラス関連学習手法を提案する。
本手法は,OODパイプライン内のクラス間関係を戦略的に活用し,総合的なクラス関連学習フレームワークを確立する。
論文 参考訳（メタデータ） (2023-09-21T08:38:21Z) - From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。
近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。
グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
論文 参考訳（メタデータ） (2023-08-20T11:56:25Z) - General-Purpose Multi-Modal OOD Detection Framework [5.287829685181842]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習(ML)システムの安全性と信頼性を保証するために重要なトレーニングデータとは異なるテストサンプルを特定する。
本稿では,2値分類器とコントラスト学習コンポーネントを組み合わせた,汎用的な弱教師付きOOD検出フレームワークWOODを提案する。
提案したWOODモデルを複数の実世界のデータセット上で評価し、実験結果により、WOODモデルがマルチモーダルOOD検出の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-24T18:50:49Z) - 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) - YolOOD: Utilizing Object Detection Concepts for Multi-Label
Out-of-Distribution Detection [25.68925703896601]
YolOODは、オブジェクト検出領域の概念を利用して、マルチラベル分類タスクでOOD検出を行う方法である。
提案手法を最先端のOOD検出手法と比較し,OODベンチマークデータセットの総合的なスイートにおいて,YolOODがこれらの手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-12-05T07:52:08Z) - Pseudo-OOD training for robust language models [78.15712542481859]
OOD検出は、あらゆる産業規模のアプリケーションに対する信頼性の高い機械学習モデルの鍵となるコンポーネントである。
In-distribution(IND)データを用いて擬似OODサンプルを生成するPOORE-POORE-POSthoc pseudo-Ood Regularizationを提案する。
我々は3つの現実世界の対話システムに関する枠組みを広く評価し、OOD検出における新たな最先端技術を実現した。
論文 参考訳（メタデータ） (2022-10-17T14:32:02Z)
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。