論文の概要: Open Set Recognition for Random Forest

• arxiv url: http://arxiv.org/abs/2408.02684v1
• Date: Thu, 1 Aug 2024 04:21:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 16:17:55.151887
• Title: Open Set Recognition for Random Forest
• Title（参考訳）: ランダム森林の開集合認識
• Authors: Guanchao Feng, Dhruv Desai, Stefano Pasquali, Dhagash Mehta,
• Abstract要約: 実世界の分類タスクでは、全てのクラスを消費するトレーニング例を収集することは困難である。 ランダム森林に対するオープンセット認識機能を実現するための新しい手法を提案する。 提案手法は,合成データセットと実世界のデータセットの両方で検証される。
• 参考スコア（独自算出の注目度）: 4.266270583680947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many real-world classification or recognition tasks, it is often difficult to collect training examples that exhaust all possible classes due to, for example, incomplete knowledge during training or ever changing regimes. Therefore, samples from unknown/novel classes may be encountered in testing/deployment. In such scenarios, the classifiers should be able to i) perform classification on known classes, and at the same time, ii) identify samples from unknown classes. This is known as open-set recognition. Although random forest has been an extremely successful framework as a general-purpose classification (and regression) method, in practice, it usually operates under the closed-set assumption and is not able to identify samples from new classes when run out of the box. In this work, we propose a novel approach to enabling open-set recognition capability for random forest classifiers by incorporating distance metric learning and distance-based open-set recognition. The proposed method is validated on both synthetic and real-world datasets. The experimental results indicate that the proposed approach outperforms state-of-the-art distance-based open-set recognition methods.
• Abstract（参考訳）: 多くの現実世界の分類や認識タスクでは、トレーニング中の不完全な知識や常に変化する体制のために、あらゆる可能なクラスを消費する訓練例を集めることはしばしば困難である。 したがって、未知の/ノーベルクラスのサンプルは、テスト/デプロイで遭遇する可能性がある。 そのようなシナリオでは、分類器は可能でなければならない 一 既知の授業の分類を同時に行うこと。 二 未知のクラスのサンプルを識別すること。 これはオープンセット認識として知られている。 ランダムフォレストは汎用的な分類(および回帰)手法として非常に成功したフレームワークであるが、実際にはクローズドセットの仮定の下で動作し、ボックスがなくなると新しいクラスからのサンプルを特定できない。 本研究では,距離メトリック学習と距離ベースオープンセット認識を組み込んだランダム森林分類器のオープンセット認識機能を実現するための新しい手法を提案する。 提案手法は,合成データセットと実世界のデータセットの両方で検証される。 実験の結果,提案手法は最先端距離に基づくオープンセット認識法よりも優れていた。

関連論文リスト

• Managing the unknown: a survey on Open Set Recognition and tangential areas [7.345136916791223]
  オープンセット認識モデルは、テストフェーズに到達したサンプルから未知のクラスを検出すると同時に、既知のクラスに属するサンプルの分類において優れたパフォーマンスを維持することができる。 本稿では,オープンセット認識に関する最近の文献を包括的に概観し,この分野と他の機械学習研究領域との共通プラクティス,制限,関連性を明らかにする。 私たちの研究は、オープンな問題も明らかにし、より安全な人工知能手法への将来の取り組みを動機づけ、具体化するいくつかの研究方向を提案する。
  論文  参考訳（メタデータ） (2023-12-14T10:08:12Z)
• OpenIncrement: A Unified Framework for Open Set Recognition and Deep Class-Incremental Learning [4.278434830731282]
  オープンな集合認識と統合された深層学習フレームワークを提案する。 提案手法は,クラスに学習した特徴を改良し,距離に基づくオープンセット認識に適応させる。 実験により,本手法が最先端のインクリメンタル学習技術より優れていることを確認した。
  論文  参考訳（メタデータ） (2023-10-05T19:08:08Z)
• The Devil is in the Wrongly-classified Samples: Towards Unified Open-set Recognition [61.28722817272917]
  Open-set Recognition (OSR) は、トレーニングプロセス中にクラスが見えないテストサンプルを特定することを目的としている。 近年,Unified Open-set Recognition (UOSR) が提案されている。
  論文  参考訳（メタデータ） (2023-02-08T11:34:04Z)
• Open-Set Recognition with Gradient-Based Representations [16.80077149399317]
  本稿では、勾配に基づく表現を利用して未知の検出器を既知のクラスのみで訓練することを提案する。 我々の勾配に基づくアプローチは、オープンセットの分類において、最先端の手法を最大11.6%上回っていることを示す。
  論文  参考訳（メタデータ） (2022-06-16T14:54:12Z)
• Open-set Recognition via Augmentation-based Similarity Learning [11.706887820422002]
  ペアの類似点を学習することで未知(または見知らぬクラスサンプル)を検出することを提案する。 我々はOPG(Pseudo unseen data generationに基づくオープンセット認識)と呼ぶ。
  論文  参考訳（メタデータ） (2022-03-24T17:49:38Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• Learning Open Set Network with Discriminative Reciprocal Points [70.28322390023546]
  オープンセット認識は、事前に定義されたクラスからサンプルを同時に分類し、残りを「未知」として識別することを目的としている。 本稿では,各既知圏に対応するクラス外空間のポテンシャル表現であるReciprocal Pointを提案する。 相互点によって構成される有界空間に基づいて、未知のリスクは多圏相互作用によって減少する。
  論文  参考訳（メタデータ） (2020-10-31T03:20:31Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Open-Set Recognition with Gaussian Mixture Variational Autoencoders [91.3247063132127]
  推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。 我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。 我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
  論文  参考訳（メタデータ） (2020-06-03T01:15:19Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)
• Conditional Gaussian Distribution Learning for Open Set Recognition [10.90687687505665]
  オープンセット認識のための条件付きガウス分布学習(CGDL)を提案する。 未知のサンプルを検出することに加えて、異なる潜伏特徴を異なるガウスモデルに近似させることにより、既知のサンプルを分類することもできる。 いくつかの標準画像に対する実験により,提案手法はベースライン法を著しく上回り,新たな最先端結果が得られることが明らかになった。
  論文  参考訳（メタデータ） (2020-03-19T14:32:08Z)

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。