Fugu-MT 論文翻訳(概要): ARES: Auxiliary Range Expansion for Outlier Synthesis

論文の概要: ARES: Auxiliary Range Expansion for Outlier Synthesis

arxiv url: http://arxiv.org/abs/2501.06442v1
Date: Sat, 11 Jan 2025 05:44:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-14 21:19:24.906564
Title: ARES: Auxiliary Range Expansion for Outlier Synthesis
Title（参考訳）: ARES: 外部合成のための補助範囲拡張
Authors: Eui-Soo Jung, Hae-Hun Seo, Hyun-Woo Jung, Je-Geon Oh, Yoon-Yeong Kim,
Abstract要約: 本研究では,OOD検出のための新しい手法であるAuxiliary Range Expansion for Outlier Synthesisを提案する。さまざまなステージがARESで構成され、最終的に価値のあるOODのような仮想インスタンスを生成する。次に、エネルギースコアに基づく判別器を訓練し、分配内データと外部データとを効果的に分離する。
参考スコア（独自算出の注目度）: 1.7306463705863946
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent successes of artificial intelligence and deep learning often depend on the well-collected training dataset which is assumed to have an identical distribution with the test dataset. However, this assumption, which is called closed-set learning, is hard to meet in realistic scenarios for deploying deep learning models. As one of the solutions to mitigate this assumption, research on out-of-distribution (OOD) detection has been actively explored in various domains. In OOD detection, we assume that we are given the data of a new class that was not seen in the training phase, i.e., outlier, at the evaluation phase. The ultimate goal of OOD detection is to detect and classify such unseen outlier data as a novel "unknown" class. Among various research branches for OOD detection, generating a virtual outlier during the training phase has been proposed. However, conventional generation-based methodologies utilize in-distribution training dataset to imitate outlier instances, which limits the quality of the synthesized virtual outlier instance itself. In this paper, we propose a novel methodology for OOD detection named Auxiliary Range Expansion for Outlier Synthesis, or ARES. ARES models the region for generating out-of-distribution instances by escaping from the given in-distribution region; instead of remaining near the boundary of in-distribution region. Various stages consists ARES to ultimately generate valuable OOD-like virtual instances. The energy score-based discriminator is then trained to effectively separate in-distribution data and outlier data. Quantitative experiments on broad settings show the improvement of performance by our method, and qualitative results provide logical explanations of the mechanism behind it.
Abstract（参考訳）: 近年の人工知能とディープラーニングの成功は、テストデータセットと同一の分布を持つと仮定される、よく収集されたトレーニングデータセットに依存することが多い。しかし、この仮定はクローズド・セット・ラーニングと呼ばれ、ディープラーニングモデルをデプロイする現実的なシナリオでは満たせない。この仮定を緩和する解決策の1つとして、オフ・オブ・ディストリビューション(OOD)検出の研究が様々な領域で活発に研究されている。 OOD検出では、トレーニング段階では見られなかった新しいクラスのデータ、すなわち、アウトリーチが評価フェーズで与えられると仮定する。 OOD検出の最終的な目標は、このような目に見えない外れ値データを、新しい"未知"クラスとして検出し、分類することである。 OOD検出のための様々な研究分野のうち、トレーニング期間中に仮想異常値を生成することが提案されている。しかし、従来の世代ベースの手法では、分散トレーニングデータセットを使用して、合成された仮想外れ値インスタンス自体の品質を制限する、オフ値インスタンスを模倣している。本稿では,OOD検出のための新しい手法であるAuxiliary Range Expansion for Outlier Synthesis(ARES)を提案する。 ARESは、分配領域の境界付近に留まらず、与えられた分配領域から脱出することで、配布外インスタンスを生成するための領域をモデル化する。さまざまなステージがARESで構成され、最終的に価値のあるOODのような仮想インスタンスを生成する。次に、エネルギースコアに基づく判別器を訓練し、分配内データと外部データとを効果的に分離する。広帯域環境での定量的実験により,本手法による性能向上が示され,定性的な結果からそのメカニズムの論理的説明が得られた。

関連論文リスト

Advancing Out-of-Distribution Detection via Local Neuroplasticity [60.53625435889467]
本稿では,コルモゴロフ・アルノルドネットワーク(KAN)の局所神経可塑性特性を利用した新しいOOD検出法を提案する。本手法は,トレーニング対象のカンの活性化パターンとトレーニング対象のOOD検出パターンを比較した。画像および医用領域のベンチマークに対するアプローチを検証し、最先端技術と比較して優れた性能と堅牢性を示す。
論文参考訳（メタデータ） (2025-02-20T11:13:41Z)
BoostAdapter: Improving Vision-Language Test-Time Adaptation via Regional Bootstrapping [64.8477128397529]
本稿では,テスト時間適応フレームワークを提案する。我々は、インスタンスに依存しない履歴サンプルとインスタンスを意識したブースティングサンプルから特徴を検索するための軽量なキー値メモリを維持している。理論的には,本手法の背後にある合理性を正当化し,アウト・オブ・ディストリビューションとクロスドメイン・データセットの両方において,その有効性を実証的に検証する。
論文参考訳（メタデータ） (2024-10-20T15:58:43Z)
Learning Multi-Manifold Embedding for Out-Of-Distribution Detection [16.283293167689948]
オフ・オブ・ディストリビューション(OOD)サンプルは、現実世界のアプリケーションにおいて信頼できるAIにとって不可欠である。本稿では,OOD検出の強化を目的としたMMEL(Multi-Manifold Embedding Learning)フレームワークを提案する。 MMELは代表埋め込みを生成し、OODサンプルの識別にプロトタイプ認識スコアリング機能を利用する。
論文参考訳（メタデータ） (2024-09-19T05:43:00Z)
Enhancing OOD Detection Using Latent Diffusion [5.093257685701887]
Out-of-Distribution (OOD) 検出アルゴリズムは、現実世界のデプロイにおいて未知のサンプルやオブジェクトを特定するために開発された。潜在空間におけるOOD学習データを合成するoutlier Aware Learningフレームワークを提案する。また,OODデータを用いたトレーニングにおいて,ID分類精度の低下を防止するための知識蒸留モジュールを開発した。
論文参考訳（メタデータ） (2024-06-24T11:01:43Z)
Gradient-Regularized Out-of-Distribution Detection [28.542499196417214]
現実のアプリケーションにおけるニューラルネットワークの課題の1つは、これらのモデルが元のトレーニングディストリビューションからデータが送られていないときに犯す過信エラーである。本稿では,学習中の損失関数の勾配に埋め込まれた情報を活用して,ネットワークが各サンプルに対して所望のOODスコアを学習できるようにする方法を提案する。また、トレーニング期間中に、より情報性の高いOODサンプルにネットワークを露出させるための、新しいエネルギーベースのサンプリング手法を開発した。
論文参考訳（メタデータ） (2024-04-18T17:50:23Z)
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)
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)
Expecting The Unexpected: Towards Broad Out-Of-Distribution Detection [10.486158803578665]
5種類の分布変化について検討し,OOD検出手法の性能評価を行った。その結果,これらの手法は未知のクラスの検出に優れるが,他のタイプの分散シフトに遭遇した場合,その性能は不整合であることがわかった。我々は、より一貫性があり包括的なOOD検出ソリューションを提供するアンサンブルアプローチを提案する。
論文参考訳（メタデータ） (2023-08-22T14:52:44Z)
DIVERSIFY: A General Framework for Time Series Out-of-distribution Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文参考訳（メタデータ） (2023-08-04T12:27:11Z)
Detecting Out-of-distribution Examples via Class-conditional Impressions Reappearing [30.938412222724608]
Out-of-Distribution(OOD)検出は、標準のディープニューラルネットワークを拡張して、元のトレーニングデータと異常な入力を区別することを目的としている。プライバシーとセキュリティのため、補助的なデータは現実のシナリオでは実用的ではない傾向にある。我々は,C2IR(Class-Conditional Impressions Reappearing)と呼ばれる,自然データに対する訓練を伴わないデータフリー手法を提案する。
論文参考訳（メタデータ） (2023-03-17T02:55:08Z)
Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文参考訳（メタデータ） (2021-08-03T17:09:56Z)

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。