論文の概要: H2ST: Hierarchical Two-Sample Tests for Continual Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2503.14832v1
• Date: Wed, 19 Mar 2025 02:24:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:24:41.415866
• Title: H2ST: Hierarchical Two-Sample Tests for Continual Out-of-Distribution Detection
• Title（参考訳）: H2ST:連続アウトオブディストリビューション検出のための階層型2サンプルテスト
• Authors: Yuhang Liu, Wenjie Zhao, Yunhui Guo,
• Abstract要約: タスクインクリメンタルラーニング(タスクインクリメンタルラーニング、英: Task Incremental Learning、TIL)は、モデルが非定常データストリームから漸進的に学習する連続的ラーニング(CL)の特殊な形式である。 オープンワールドの環境では、入ってくるサンプルはアウト・オブ・ディストリビューション・ソースに由来する可能性がある。 階層型2サンプルテスト(H2ST)と呼ばれる新しい連続OOD検出法を提案する。
• 参考スコア（独自算出の注目度）: 10.949658724247387
• License:
• Abstract: Task Incremental Learning (TIL) is a specialized form of Continual Learning (CL) in which a model incrementally learns from non-stationary data streams. Existing TIL methodologies operate under the closed-world assumption, presuming that incoming data remains in-distribution (ID). However, in an open-world setting, incoming samples may originate from out-of-distribution (OOD) sources, with their task identities inherently unknown. Continually detecting OOD samples presents several challenges for current OOD detection methods: reliance on model outputs leads to excessive dependence on model performance, selecting suitable thresholds is difficult, hindering real-world deployment, and binary ID/OOD classification fails to provide task-level identification. To address these issues, we propose a novel continual OOD detection method called the Hierarchical Two-sample Tests (H2ST). H2ST eliminates the need for threshold selection through hypothesis testing and utilizes feature maps to better exploit model capabilities without excessive dependence on model performance. The proposed hierarchical architecture enables task-level detection with superior performance and lower overhead compared to non-hierarchical classifier two-sample tests. Extensive experiments and analysis validate the effectiveness of H2ST in open-world TIL scenarios and its superiority to the existing methods. Code is available at \href{https://github.com/YuhangLiuu/H2ST}{https://github.com/YuhangLiuu/H2ST}.
• Abstract（参考訳）: タスクインクリメンタルラーニング(タスクインクリメンタルラーニング、英: Task Incremental Learning、TIL)は、モデルが非定常データストリームから漸進的に学習する連続的ラーニング(CL)の特殊な形式である。 既存の TIL の方法論は、受信したデータが分配されていない(ID)と仮定して、クローズドワールドの仮定の下で機能する。 しかし、オープンワールド環境では、入ってくるサンプルはアウト・オブ・ディストリビューション(OOD)ソースに由来する可能性がある。 モデル出力への依存はモデル性能への過度な依存をもたらし、適切なしきい値の選択は困難であり、実際のデプロイメントを妨げ、バイナリID/OOD分類はタスクレベルの識別に失敗する。 これらの問題に対処するため,階層型2サンプルテスト(H2ST)と呼ばれる新しいOOD検出手法を提案する。 H2STは仮説テストによるしきい値選択の必要性を排除し、機能マップを使用してモデル性能に過度に依存することなくモデル機能を改善する。 提案した階層型アーキテクチャは,非階層型分類器の2サンプルテストと比較して,性能とオーバーヘッドの低いタスクレベル検出を可能にする。 オープンワールドTILシナリオにおけるH2STの有効性と既存手法よりも優れていることの検証と解析を行った。 コードは \href{https://github.com/YuhangLiuu/H2ST}{https://github.com/YuhangLiuu/H2ST} で入手できる。

関連論文リスト

• Out-of-Distribution Detection using Synthetic Data Generation [21.612592503592143]
  In- and out-of-distriion (OOD) 入力は、分類システムの信頼性の高いデプロイに不可欠である。 本稿では,Large Language Models (LLMs) の生成能力を利用して,高品質なOODプロキシを生成する手法を提案する。
  論文  参考訳（メタデータ） (2025-02-05T16:22:09Z)
• Going Beyond Conventional OOD Detection [0.0]
  アウト・オブ・ディストリビューション(OOD)検出は、重要なアプリケーションにディープラーニングモデルの安全なデプロイを保証するために重要である。 従来型OOD検出(ASCOOD)への統一的アプローチを提案する。 提案手法は, スパイラル相関の影響を効果的に軽減し, 微粒化特性の獲得を促す。
  論文  参考訳（メタデータ） (2024-11-16T13:04:52Z)
• Representation Norm Amplification for Out-of-Distribution Detection in Long-Tail Learning [10.696635172502141]
  提案手法はtextitRepresentation Norm Amplification (RNA) と呼ばれ, 分布外サンプルの検出の問題を解決する。 実験により、RNAは最先端の方法と比較してOODの検出と分類の両方において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-08-20T09:27:07Z)
• Out-of-Distribution Detection with a Single Unconditional Diffusion Model [54.15132801131365]
  アウト・オブ・ディストリビューション(OOD)検出は、異常サンプルを特定しようとする機械学習において重要なタスクである。 従来、教師なし手法はOOD検出に深い生成モデルを用いていた。 本稿では,単一モデルが多様なタスクに対してOOD検出を行うことができるかどうかを考察する。
  論文  参考訳（メタデータ） (2024-05-20T08:54:03Z)
• 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)
• ADT: Agent-based Dynamic Thresholding for Anomaly Detection [4.356615197661274]
  本稿では,エージェントベースの動的しきい値処理(ADT)フレームワークを提案する。 本研究では,自動エンコーダを用いて特徴表現を取得し,複雑な入力データに対する異常スコアを生成する。 ADTはオートエンコーダの異常スコアを利用して閾値を適応的に調整することができる。
  論文  参考訳（メタデータ） (2023-12-03T19:07:30Z)
• On Pitfalls of Test-Time Adaptation [82.8392232222119]
  TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。 TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-06T09:35:29Z)
• Learning Mixtures of Linear Dynamical Systems [94.49754087817931]
  そこで我々は,2段階のメタアルゴリズムを開発し,各基底構造LPSモデルを誤り$tildeO(sqrtd/T)$.sqrtd/T)まで効率的に復元する。 提案手法の有効性を検証し,数値実験による理論的研究を検証する。
  論文  参考訳（メタデータ） (2022-01-26T22:26:01Z)
• Semantically Coherent Out-of-Distribution Detection [26.224146828317277]
  現在のアウト・オブ・ディストリビューション(OOD)検出ベンチマークは、ひとつのデータセットをイン・ディストリビューション(ID)として定義し、他のすべてのデータセットをOODとして定義することで、一般的に構築されている。 ベンチマークを再設計し、セマンティック・コヒーレント・アウト・オブ・ディストリビューション検出(SC-OOD)を提案する。 本手法は,SC-OODベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-26T17:53:32Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。