論文の概要: Detecting OOD Samples via Optimal Transport Scoring Function

• arxiv url: http://arxiv.org/abs/2502.16115v1
• Date: Sat, 22 Feb 2025 06:37:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:59:10.994087
• Title: Detecting OOD Samples via Optimal Transport Scoring Function
• Title（参考訳）: 最適輸送スコーリング機能によるOODサンプルの検出
• Authors: Heng Gao, Zhuolin He, Jian Pu,
• Abstract要約: 本稿では,OOD検出のための最適輸送理論OTODに基づく新しいスコア関数を提案する。 我々は,各試験試料のOODスコアを計算するために,特徴量,ロジット,ソフトマックス確率空間からの情報を利用する。 実験の結果,この情報を組み合わせることで,OTODの性能を一定のマージンで向上させることができることがわかった。
• 参考スコア（独自算出の注目度）: 5.093257685701887
• License:
• Abstract: To deploy machine learning models in the real world, researchers have proposed many OOD detection algorithms to help models identify unknown samples during the inference phase and prevent them from making untrustworthy predictions. Unlike methods that rely on extra data for outlier exposure training, post hoc methods detect Out-of-Distribution (OOD) samples by developing scoring functions, which are model agnostic and do not require additional training. However, previous post hoc methods may fail to capture the geometric cues embedded in network representations. Thus, in this study, we propose a novel score function based on the optimal transport theory, named OTOD, for OOD detection. We utilize information from features, logits, and the softmax probability space to calculate the OOD score for each test sample. Our experiments show that combining this information can boost the performance of OTOD with a certain margin. Experiments on the CIFAR-10 and CIFAR-100 benchmarks demonstrate the superior performance of our method. Notably, OTOD outperforms the state-of-the-art method GEN by 7.19% in the mean FPR@95 on the CIFAR-10 benchmark using ResNet-18 as the backbone, and by 12.51% in the mean FPR@95 using WideResNet-28 as the backbone. In addition, we provide theoretical guarantees for OTOD. The code is available in https://github.com/HengGao12/OTOD.
• Abstract（参考訳）: 機械学習モデルを現実世界に展開するために、多くのOOD検出アルゴリズムが提案されている。 外周露光訓練に余分なデータに依存する方法とは異なり、ポストホック法は、モデル非依存で追加の訓練を必要としないスコアリング関数を開発することにより、アウト・オブ・ディストリビューション(OOD)サンプルを検出する。 しかし、以前のポストホック法は、ネットワーク表現に埋め込まれた幾何学的手がかりを捕捉できない可能性がある。 そこで本研究では,OOD検出のための最適輸送理論OTODに基づく新しいスコア関数を提案する。 我々は,各試験試料のOODスコアを計算するために,特徴量,ロジット,ソフトマックス確率空間からの情報を利用する。 実験の結果,この情報を組み合わせることで,OTODの性能を一定のマージンで向上させることができることがわかった。 CIFAR-10およびCIFAR-100ベンチマーク実験は,本手法の優れた性能を示す。 特にOTODは、ResNet-18をバックボーンとしてCIFAR-10ベンチマークで平均FPR@95で7.19%、WideResNet-28をバックボーンとして平均FPR@95で平均FPR@95で平均12.51%を上回り、最先端のメソッドGENを7.19%上回る。 また,OTODの理論的保証も提供する。 コードはhttps://github.com/HengGao12/OTODで公開されている。

関連論文リスト

• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• 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)
• Out-of-distribution Object Detection through Bayesian Uncertainty Estimation [10.985423935142832]
  OOD検出のための新しい,直感的で,スケーラブルなオブジェクト検出手法を提案する。 提案手法は,提案したガウス分布からの重みパラメータサンプリングにより,IDデータとOODデータを識別することができる。 BDD100kおよびVOCデータセットでトレーニングした場合,FPR95スコアを最大8.19%削減し,AUROCスコアを最大13.94%向上させることで,ベイズ対象検出器のOOD識別性能が良好であることを実証した。
  論文  参考訳（メタデータ） (2023-10-29T19:10:52Z)
• Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。 本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。 本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
  論文  参考訳（メタデータ） (2023-06-06T14:23:34Z)
• SIO: Synthetic In-Distribution Data Benefits Out-of-Distribution Detection [34.97444309333315]
  我々は、信頼性の高いアウト・オブ・ディストリビューション(OOD)検出器を構築するためのデータ駆動型アプローチを開発した。 我々は、生成モデルを利用して、内部分布(ID)トレーニングセットを利用して、追加の合成ID画像を生成する。 我々のトレーニングフレームワークは、SIOと呼ばれ、既存のOOD検出アルゴリズムと互換性のある「プラグ・アンド・プレイ」技術として機能します。
  論文  参考訳（メタデータ） (2023-03-25T18:34:34Z)
• AUTO: Adaptive Outlier Optimization for Online Test-Time OOD Detection [81.49353397201887]
  オープンソースアプリケーションに機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 我々は、未ラベルのオンラインデータをテスト時に直接利用してOOD検出性能を向上させる、テスト時OOD検出と呼ばれる新しいパラダイムを導入する。 本稿では,入出力フィルタ,IDメモリバンク,意味的に一貫性のある目的からなる適応外乱最適化(AUTO)を提案する。
  論文  参考訳（メタデータ） (2023-03-22T02:28:54Z)
• Effective Robustness against Natural Distribution Shifts for Models with Different Training Data [113.21868839569]
  効果的ロバスト性」は、分配内(ID)性能から予測できる以上の余分な分配外ロバスト性を測定する。 異なるデータに基づいてトレーニングされたモデルの有効ロバスト性を評価・比較するための新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2023-02-02T19:28:41Z)
• A Simple Test-Time Method for Out-of-Distribution Detection [45.11199798139358]
  本稿では,OOD検出のための簡易なテスト時間線形訓練法を提案する。 分布外である入力画像の確率は、ニューラルネットワークが抽出した特徴と驚くほど線形に相関していることがわかった。 本稿では,提案手法のオンライン版を提案し,実世界のアプリケーションでより実用的な性能を実現する。
  論文  参考訳（メタデータ） (2022-07-17T16:02:58Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• EARLIN: Early Out-of-Distribution Detection for Resource-efficient Collaborative Inference [4.826988182025783]
  協調推論により、リソース制約のあるエッジデバイスは、入力をサーバにアップロードすることで推論を行うことができる。 このセットアップは、成功した推論のためにコスト効率よく機能するが、モデルがトレーニングされていない入力サンプルに直面すると、非常にパフォーマンスが低下する。 我々は,事前訓練されたCNNモデルの浅い層から重要な特徴を抽出する,新しい軽量OOD検出手法を提案する。
  論文  参考訳（メタデータ） (2021-06-25T18:43:23Z)
• Probabilistic Trust Intervals for Out of Distribution Detection [8.35564578781252]
  本稿では,従来のパラメータを変更することなく,事前学習ネットワークにおけるOOD検出を向上する手法を提案する。 提案手法は,各ネットワーク重みに対する確率的信頼区間を定義し,分布内データを用いて決定する。 我々は,MNIST,Fashion-MNIST,CIFAR-10,CIFAR-100,CIFAR-10-Cについて検討した。
  論文  参考訳（メタデータ） (2021-02-02T06:23:04Z)

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。