論文の概要: Energy-based Hopfield Boosting for Out-of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2405.08766v1
- Date: Tue, 14 May 2024 16:59:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 13:18:28.177903
- Title: Energy-based Hopfield Boosting for Out-of-Distribution Detection
- Title（参考訳）: エネルギーベースホップフィールドブースティングによるアウト・オブ・ディストリビューション検出
- Authors: Claus Hofmann, Simon Schmid, Bernhard Lehner, Daniel Klotz, Sepp Hochreiter,
- Abstract要約: 外周露光法は、トレーニングプロセスに補助外周データを組み込む。
我々は,配当データとOODデータ間の決定境界を狭めるためのブースティング手法であるHopfield Boostingを紹介する。
CIFAR-10ではFPR95が2.28から0.92,CIFAR-100では11.76から7.94に改善された。
- 参考スコア（独自算出の注目度）: 6.038529869700369
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Out-of-distribution (OOD) detection is critical when deploying machine learning models in the real world. Outlier exposure methods, which incorporate auxiliary outlier data in the training process, can drastically improve OOD detection performance compared to approaches without advanced training strategies. We introduce Hopfield Boosting, a boosting approach, which leverages modern Hopfield energy (MHE) to sharpen the decision boundary between the in-distribution and OOD data. Hopfield Boosting encourages the model to concentrate on hard-to-distinguish auxiliary outlier examples that lie close to the decision boundary between in-distribution and auxiliary outlier data. Our method achieves a new state-of-the-art in OOD detection with outlier exposure, improving the FPR95 metric from 2.28 to 0.92 on CIFAR-10 and from 11.76 to 7.94 on CIFAR-100.
- Abstract（参考訳）: 現実世界に機械学習モデルをデプロイする際には、アウト・オブ・ディストリビューション(OOD)検出が重要である。
トレーニングプロセスに補助的な外部データを含む外部露光法は、高度なトレーニング戦略を持たないアプローチと比較して、OOD検出性能を大幅に向上させることができる。
ホップフィールド・ブースティング(Hopfield Boosting)は、現代のホップフィールド・エネルギ(MHE)を活用して、分配内データとOODデータ間の決定境界を鋭くするブースティング手法である。
ホップフィールド・ブースティングは、分配内データと補助外付けデータの間の決定境界に近い、識別が難しい補助外付けデータに焦点を合わせることを奨励する。
CIFAR-10ではFPR95が2.28から0.92,CIFAR-100では11.76から7.94に改善された。
関連論文リスト
- Adversarially Robust Out-of-Distribution Detection Using Lyapunov-Stabilized Embeddings [1.0260351016050424]
AROSは、ニューラル常微分方程式(NODE)とリャプノフ安定性定理を利用する新しいアプローチである。
調整された損失関数により、リアプノフ安定性理論を適用し、分布内(ID)とOODデータが安定平衡点に収束することを保証する。
このアプローチは任意の摂動入力を安定平衡に戻すことを奨励し、それによってモデルの対向摂動に対する堅牢性を高める。
論文 参考訳（メタデータ） (2024-10-14T17:22:12Z) - Diversified Outlier Exposure for Out-of-Distribution Detection via
Informative Extrapolation [110.34982764201689]
Out-of-Distribution(OOD)検出は、現実のアプリケーションに信頼性の高い機械学習モデルをデプロイするために重要である。
近年, 外部曝露によるOOD検出に有意な結果が得られた。
本稿では,補助外乱量に基づく情報外挿による効果的なOOD検出のための新しい枠組み,すなわちDivOE(Diversified Outlier Exposure)を提案する。
論文 参考訳（メタデータ） (2023-10-21T07:16:09Z) - Robust Uncertainty Estimation for Classification of Maritime Objects [0.34998703934432673]
モンテカルロ・ドロップアウトにより達成されたクラス内不確実性と結合し,より包括的不確実性を示す手法を提案する。
我々の研究はFPR95を8%改善し、アウト・オブ・ディストリビューションデータを使わずにモデルがトレーニングされる場合の現在の最高性能の作業と比較した。
ベースラインに関してFPR95を44.2%改善し,ShiPSデータセットを公開し,本手法の有効性を示す。
論文 参考訳（メタデータ） (2023-07-03T19:54:53Z) - Predicted Embedding Power Regression for Large-Scale Out-of-Distribution
Detection [77.1596426383046]
本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。
提案手法は,計算コストの最小化のみで,現在の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2023-03-07T18:28:39Z) - Diffusion Denoising Process for Perceptron Bias in Out-of-distribution
Detection [67.49587673594276]
我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。
DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。
CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-11-21T08:45:08Z) - POEM: Out-of-Distribution Detection with Posterior Sampling [28.96332663128854]
オープンワールドにデプロイされた機械学習モデルには、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。
提案手法は, 後方サンプリングをベースとした新しい鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用鉱業用
我々はPOEMが一般的なベンチマークで最先端の性能を確立していることを示す。
論文 参考訳（メタデータ） (2022-06-28T01:35:43Z) - RODD: A Self-Supervised Approach for Robust Out-of-Distribution
Detection [12.341250124228859]
本稿では,分散データセットに依存しない簡易かつ効果的なOOD検出手法を提案する。
提案手法は, コンパクトな低次元空間上に埋没するトレーニングサンプルの自己教師型特徴学習に依存する。
自己教師付きコントラスト学習を用いた事前学習モデルでは、潜伏空間における一次元特徴学習のより良いモデルが得られることを実証的に示す。
論文 参考訳（メタデータ） (2022-04-06T03:05:58Z) - End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。
提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。
最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-06-16T17:59:30Z) - 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) - 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。