論文の概要: TS-OOD: Evaluating Time-Series Out-of-Distribution Detection and Prospective Directions for Progress

• arxiv url: http://arxiv.org/abs/2502.15901v1
• Date: Fri, 21 Feb 2025 19:40:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:53:25.731106
• Title: TS-OOD: Evaluating Time-Series Out-of-Distribution Detection and Prospective Directions for Progress
• Title（参考訳）: TS-OOD: 進捗予測と予測方向の評価
• Authors: Onat Gungor, Amanda Sofie Rios, Nilesh Ahuja, Tajana Rosing,
• Abstract要約: アウト・オブ・ディストリビューション(OOD)データは、機械学習モデルのデプロイにおける根本的な課題である。 本研究は,OOD検出アルゴリズムを網羅的に解析することにより,この研究ギャップに対処することを目的とする。 その結果,1) 最先端OOD法の大部分は時系列データに対して限られた性能を示し,2) 深部特徴モデリングに基づくOOD法は時系列OOD検出に有利である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 6.140648893673249
• License:
• Abstract: Detecting out-of-distribution (OOD) data is a fundamental challenge in the deployment of machine learning models. From a security standpoint, this is particularly important because OOD test data can result in misleadingly confident yet erroneous predictions, which undermine the reliability of the deployed model. Although numerous models for OOD detection have been developed in computer vision and language, their adaptability to the time-series data domain remains limited and under-explored. Yet, time-series data is ubiquitous across manufacturing and security applications for which OOD is essential. This paper seeks to address this research gap by conducting a comprehensive analysis of modality-agnostic OOD detection algorithms. We evaluate over several multivariate time-series datasets, deep learning architectures, time-series specific data augmentations, and loss functions. Our results demonstrate that: 1) the majority of state-of-the-art OOD methods exhibit limited performance on time-series data, and 2) OOD methods based on deep feature modeling may offer greater advantages for time-series OOD detection, highlighting a promising direction for future time-series OOD detection algorithm development.
• Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)データの検出は、マシンラーニングモデルのデプロイにおける根本的な課題である。 セキュリティの観点から見れば、これは特に重要である。OODテストデータは誤解を招くことなく誤った予測をもたらし、デプロイされたモデルの信頼性を損なう可能性があるからだ。 OOD検出のための多くのモデルがコンピュータビジョンと言語で開発されているが、時系列データ領域への適応性は限定的であり、未探索のままである。 しかし、時系列データは、OODが不可欠である製造およびセキュリティアプリケーション全体にわたってユビキタスである。 本研究は,OOD検出アルゴリズムを網羅的に解析することにより,この研究ギャップに対処することを目的とする。 複数の時系列データセット、ディープラーニングアーキテクチャ、時系列固有のデータ拡張、損失関数について評価する。 私たちの結果はこう示しています。 1)最先端のOOD手法の大部分は時系列データ上での限られた性能を示しており、 2) 深部特徴モデリングに基づくOOD手法は, 時系列OOD検出により大きな利点をもたらす可能性があり, 今後の時系列OOD検出アルゴリズム開発に期待できる方向を示す。

関連論文リスト

• Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
  アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。 テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。 SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
  論文  参考訳（メタデータ） (2024-09-08T17:28:22Z)
• Mitigating Overconfidence in Out-of-Distribution Detection by Capturing Extreme Activations [1.8531577178922987]
  Overconfidence"は特定のニューラルネットワークアーキテクチャの本質的な性質であり、OOD検出の低さにつながる。 ニューラルネットワークの最後層における極端なアクティベーション値を計測し、この過信のプロキシを利用して、複数のOOD検出ベースラインを改善する。 基準値と比較すると,OOD検出は2桁に増加し,精度が向上することが多い。
  論文  参考訳（メタデータ） (2024-05-21T10:14:50Z)
• 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)
• Out-of-distribution Detection Learning with Unreliable Out-of-distribution Sources [73.28967478098107]
  アウト・オブ・ディストリビューション(OOD)検出は、予測者が有効な予測を行うことができないOODデータをイン・ディストリビューション(ID)データとして識別する。 通常、OODパターンを識別できる予測器をトレーニングするために、実際のアウト・オブ・ディストリビューション(OOD)データを収集するのは困難である。 本稿では,Auxiliary Task-based OOD Learning (ATOL) というデータ生成に基づく学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-06T16:26:52Z)
• Can Pre-trained Networks Detect Familiar Out-of-Distribution Data? [37.36999826208225]
  PT-OODが事前学習ネットワークのOOD検出性能に及ぼす影響について検討した。 特徴空間におけるPT-OODの低線形分離性はPT-OOD検出性能を著しく低下させることがわかった。 本稿では,大規模事前学習モデルに対する一意な解を提案する。
  論文  参考訳（メタデータ） (2023-10-02T02:01:00Z)
• A Survey on Out-of-Distribution Detection in NLP [119.80687868012393]
  現実世界における機械学習システムの信頼性と安全なデプロイには、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。 本稿では,OOD検出の最近の進歩について,特に自然言語処理に焦点をあてて概説する。
  論文  参考訳（メタデータ） (2023-05-05T01:38:49Z)
• Out-of-distribution Detection with Implicit Outlier Transformation [72.73711947366377]
  外周露光(OE)は、オフ・オブ・ディストリビューション(OOD)検出において強力である。 我々は,未確認のOOD状況に対してモデルの性能を良くする,新しいOEベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-03-09T04:36:38Z)
• 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)
• How Useful are Gradients for OOD Detection Really? [5.459639971144757]
  Out of Distribution(OOD)検出は、リアルタイムアプリケーションに高性能な機械学習モデルをデプロイする上で重要な課題である。 OOD検出のための勾配法を詳細に解析し,比較する。 本稿では,OOD検出における性能と計算効率の両面において,従来のベースラインよりも向上した汎用的,非段階的なOOD検出手法を提案する。
  論文  参考訳（メタデータ） (2022-05-20T21:10:05Z)

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。